类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 2456 条结果
-
基于傅里叶变换近红外光谱结合轻量梯度提升机技术快速鉴定海参地理来源
查看原文
2021
Food Control
中科院一区JCR一区
Yong Sun, Nan Liu, Xuming Kang, Yanfang Zhao, Rong Cao, Jinsong Ning, Haiyan Ding, Xiaofeng Sheng, & Deqing Zhou
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
软体与贝类 光谱/色谱/质谱等分析方法仿刺参（Apostichopus japonicus）的产地是影响其经济价值的关键因素。为实现仿刺参产地的快速有效鉴别，本研究采用傅里叶变换近红外光谱技术（FT-NIR），结合随机森林（RF）、梯度提升决策树（GBDT）、轻量级梯度提升机（LightGBM）三种机器学习算法构建鉴别模型，并对模型性能进行对比分析。结果表明，经优化的样本抽样方法与光谱预处理技术处理后，轻量级梯度提升机（LightGBM）模型的综合性能最优：模型训练过程中的多分类对数损失值最低可降至 0.36；在测试集验证中，该模型的准确率、精确率、召回率、F1 分数及受试者工作特征曲线下面积（AUC）分别达到 0.91、0.92、0.91、0.91 和 0.98。上述指标证实，所构建的 LightGBM 模型具备良好的稳健性与较强的泛化能力。研究结论表明，近红外光谱技术结合轻量级梯度提升机算法，可作为仿刺参产地溯源的快速有效技术手段。
-
色谱指纹策略用于描绘与咖啡气味和味觉属性相关的化学模式
查看原文
2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
D. Bressanello, A. Marengo, C. Cordero, G. Strocchi, P. Rubiolo, G. Pellegrino, M. R. Ruosi, C. Bicchi, & E. Liberto
计算机标签
机器学习/统计学习 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
咖啡饮料 特征风味 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质咖啡杯测同时涉及香气和味觉，其评价需综合多个不同属性来定义风味质量，因此需要来自香气和味觉的互补数据。本研究考察数据驱动方法利用常规质量控制实验室通常可获得的互补分析技术描述咖啡感官质量的潜力与局限。研究对 155 个咖啡样品进行分析，分别通过顶空固相微萃取-气相色谱-质谱获得挥发性组分数据，通过液相色谱-紫外/二极管阵列检测获得非挥发性组分数据，并采集感官数据。研究使用化学计量学工具探索数据集、选择相关特征、预测感官评分并研究特征之间的网络关系。Q 模型参数和预测均方根误差比较显示，非挥发性组分对预测的影响因属性而异，其对酸味、苦味和木质调的描述影响高于花香和果香。数据融合强调香气对驱动感官感知的重要贡献，但挥发性和非挥发性数据揭示的相关网络仍需进一步研究，以验证气味-味觉整合的潜力。
-
前表面荧光光谱与荧光成像技术在鉴别掺杂初榨橄榄油与普通橄榄油中的潜力
查看原文
2021
Food Control
中科院一区JCR一区
Ken Abamba Omwange, Dimas Firmanda Al Riza, Yoshito Saito, Tetsuhito Suzuki, Yuichi Ogawa, Keiichiro Shiraga, Ferruccio Giametta & Naoshi Kondo
计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法鉴于特级初榨橄榄油（EVOO）的健康功效及其消费量的持续增长，部分不法商家将初榨橄榄油（VOO）等次一级橄榄油掺入特级初榨橄榄油中，并冒充特级初榨橄榄油销售给不知情消费者，这已成为行业内亟待关注的问题。为保障特级初榨橄榄油的消费价值，亟需开发快速、可靠且经济的检测技术以揭露此类掺假行为。本研究通过向特级初榨橄榄油中掺入不同比例的初榨橄榄油制备掺假样品，采用前表面荧光光谱法获取样品的荧光激发 - 发射矩阵（EEM），同时利用 365 nm 紫外发光二极管（UV LED）采集样品的荧光图像，进而开展综合分析。研究借助支持向量机（SVM）分类算法筛选荧光激发 - 发射矩阵与荧光图像的特征区域，并通过偏最小二乘回归（PLSR）算法对模型灵敏度进行验证。结果表明，选取激发波长 230~500 nm、发射波长 260~620 nm构建的荧光激发 - 发射矩阵，可有效区分纯特级初榨橄榄油、不同掺假比例的混合油样及纯初榨橄榄油。实现样品鉴别所依赖的特征荧光峰，由生育酚、生育三烯酚、酚类化合物、氧化产物及维生素 E 等物质的荧光信号共同构成。
综上，前表面荧光光谱技术与紫外诱导荧光成像技术有望成为鉴别纯特级初榨橄榄油与掺假橄榄油的有效手段。 -
含精油纯组分的乙烯-乙烯醇共聚物薄膜处理下 Fusarium culmorum 与 F. proliferatum 生长及其毒素产生的机器学习预测方法
查看原文
2021
International Journal of Food Microbiology
中科院一区JCR一区
Andrea Tarazona, Eva María Mateo, José Vicente Gómez, Rafael Gavara, Misericordia Jiménez & Fernando Mateo
计算机标签
深度学习 随机森林 梯度提升决策树 定量预测/回归分析食品标签
玉米 微生物安全 活性包装 微生物计数与生长曲线禾谷镰刀菌（Fusarium culmorum）和层出镰刀菌（F. proliferatum）能在食物链的不同环节生长并分别产生玉米赤霉烯酮（ZEA）和伏马毒素（FUM）。使用抗真菌化学药剂来控制这些真菌和真菌毒素，会增加食品和饲料中有毒残留物的风险，并诱发真菌耐药性。本研究评估了一种新的多学科方法，该方法基于含精油纯组分（EOCs）的生物活性乙烯 - 乙烯醇共聚物（EVOH）薄膜的使用以及机器学习（ML）方法。生物活性EVOH - EOC薄膜是通过掺入肉桂醛（CINHO）、柠檬醛（CIT）、异丁香酚（IEG）或芳樟醇（LIN）制成的。研究应用了多种机器学习方法（神经网络、随机森林和极端梯度提升树）以及多元线性回归（MLR），并对不同水分活度（aw）（0.96和0.99）和温度（20℃和28℃）条件下真菌生长和毒素产生的模型进行了比较。根据EOC、aw和温度的不同，EVOH薄膜中EOCs使真菌生长速率（GR）降低50%、90%和100%的有效剂量（ED50、ED90和ED100）范围分别为200至＞3330、450至＞3330以及660至＞3330μg/真菌培养物（培养皿中25g部分研磨的玉米粒）。EVOH - EOC薄膜的类型和EOC剂量对两种真菌的生长速率以及ZEA和FUM的产生均有显著影响。温度也会影响生长速率，而aw仅影响层出镰刀菌的生长速率和FUM产生。EVOH - CIT是对抗这两种真菌以及ZEA和FUM产生的最有效薄膜。通常，当EOC水平升高时，培养基中的生长速率和真菌毒素水平会下降，但某些处理与特定的aw和温度值结合时会诱导ZEA的产生。随机森林模型对禾谷镰刀菌和层出镰刀菌的生长速率以及ZEA和FUM产生的预测效果优于神经网络或极端梯度提升树。多元线性回归模型的性能最差。这是首次探讨机器学习在研究含EOCs的生物活性EVOH薄膜及环境条件对禾谷镰刀菌和层出镰刀菌生长以及ZEA和FUM产生影响方面的潜力。结果表明，这些创新的包装系统与机器学习方法相结合，有望成为预测和控制食品中与这些产毒真菌及真菌毒素相关风险的有效工具。
-
利用人工智能从科学文献和媒体报道中检测未知兴奋剂
查看原文
2021
Food Control
中科院一区JCR一区
Anand K. Gavai, Yamine Bouzembrak, Leonieke M. van den Bulk, Ningjing Liu, Lennert F.D. van Overbeeke, Lukas J. van den Heuvel, Hans Mol, & Hans J.P. Marvin
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据食品标签
食品安全与风险评估全球膳食补充剂市场规模庞大，其发展主要得益于这类产品宣称具备的各类功效，例如减肥塑身、提升注意力与警觉性、抑制食欲、减少睡眠需求以及改善冲动行为等。但膳食补充剂中非法添加化合物的问题，始终是一项潜在威胁 —— 究其原因，这些化合物及相关产品并未经过主管部门的安全性检测。因此，对主管部门而言，及时掌握新产品的上市动态，并就潜在健康风险向消费者发出警示，这两项工作至关重要。本研究提出一种基于机器学习的检测方法，可用于识别膳食补充剂中的新型未知兴奋剂。研究通过两种不同数据源筛选出 20 种新型兴奋剂：其一，对超过 200 万篇学术文献摘要开展词嵌入分析；其二，借助文本挖掘技术，对互联网中的各类正规媒体及社交媒体文章进行数据提取。研究结果表明，该方法可有效应用于主管部门的新兴风险识别工作，助力解决当前风险排查过程中面临的核心难题 ——未知风险物质的检测识别。
