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
-
用于分析高光谱图像以确定食品质量的机器学习技术：综述
查看原文
2021
Current Research in Food Science
中科院一区JCR一区
Dhritiman Saha & Annamalai Manickavasagan
计算机标签
机器学习/统计学习 深度学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱食品标签
品质、结构与理化性质 食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法多年来，无损检测技术在食品质量监测中变得愈发重要。高光谱成像便是一种重要的无损质量检测技术，它能同时提供空间和光谱信息。机器学习技术的进步实现了快速分析且具有更高的分类准确率，这提升了该技术在食品领域应用的潜力。本文概述了不同机器学习技术在高光谱图像分析中用于食品质量测定的应用情况，涵盖了高光谱成像的基本原理，以及每种机器学习技术的优势和局限性。这些机器学习技术能够对食品的高光谱图像进行快速且高精度的分析，从而构建出稳健的分类或回归模型。从高光谱数据中筛选出有效的波长至关重要，因为这能大幅降低计算负荷和时间，进而扩大实时应用的范围。由于深度学习具有特征学习的特性，它是实时应用中最具前景且最强大的技术之一。然而，深度学习领域相对较新，其充分利用仍需进一步研究。同样，终身机器学习为高光谱成像的实时应用开辟了道路，但在纳入食品质量的季节性变化方面还需深入研究。此外，本文还探讨了机器学习技术在高光谱图像分析中存在的研究空白及未来前景。
-
利用多元分析技术基于颜色参数和色素测定干红葡萄酒的年份
查看原文
2021
Food Control
中科院一区JCR一区
Guomin Han, Lingmin Dai, Yuhang Sun, Chao Li, ShiLi Ruan, Jiming Li & Yan Xu
计算机标签
偏最小二乘法 定量预测/回归分析食品标签
酒精饮料 颜色与外观品质 常规理化指标测定年份是商品瓶装干红葡萄酒市场定价的决定性因素。本研究旨在以颜色参数和色素指标为基础，结合偏最小二乘法（PLS）与多元线性回归法（MLR），建立干红葡萄酒年份预测模型。两种模型均能实现葡萄酒年份的精准预测，拟合优度（R 2）较高，且交叉验证均方根误差（RMSECV）处于较低水平。尽管构建高性能多元线性回归模型所需的变量更少，但其预测精度与偏最小二乘模型相当。研究证实，一类聚合色素（TFPP）与锦葵色素 - 3 - 糖苷的比值是一项极具应用前景与实操性的化学指标，可用于干红葡萄酒年份的快速简便判定。
-
利用近红外光谱法测定市售番茄的可溶性固形物含量
查看原文
2021
Food Control
中科院一区JCR一区
Annelisa Arruda de Brito, Fernanda Campos, Abadia dos Reis Nascimento, Gilmarcos de Carvalho Corrêa, Flávio Alves da Silva, Gustavo Henrique de Almeida Teixeira, & Luis Carlos Cunha Júnior
计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜蔬菜 品质、结构与理化性质 光谱/色谱/质谱等分析方法番茄是全球范围内广泛消费的果蔬品类， 可溶性固形物含量（SSC） 是鲜食番茄（尤其沙拉专用型番茄）商品化进程中最为关键的品质指标之一。为此，本研究采用配置蔡司 MMS1-NIR 光谱仪的便携式 F-750 型可见 - 近红外光谱仪（Vis-NIR），基于交互反射光学结构，构建了无损检测完整番茄可溶性固形物含量的偏最小二乘回归模型。研究于 2018 年 11 月至 2019 年 11 月期间，每周采集来自巴西五个产区（戈亚斯州、巴伊亚州、圣卡塔琳娜州、米纳斯吉拉斯州及圣保罗州）的番茄样品，累计采集 2085 份；所有样品被划分为三组，其中两组用于模型校正，一组用于模型预测。最终确定的最优偏最小二乘回归预测模型，采用840~1050 nm 可见 - 近红外光谱区间，并结合 正交信号校正（OSC） 预处理方法。该模型校正集的标准差（SD）为 0.52%，预测集标准差为 0.56%；校正均方根交叉验证误差低至 0.32%，预测均方根误差同样为 0.32%。实验结果表明，所构建的模型可实现番茄可溶性固形物含量高低值的有效判别。
-
机器学习工作流用于预测裹糊油炸体系中米粉的吸油量
查看原文
2021
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Sungmin Jeong, Jieun Kwak & Suyong Lee
计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据食品标签
大米 传统热加工 理化与结构表征 脂质与脂肪酸本研究应用机器学习算法，根据油炸前米粉的理化特性（直链淀粉含量、糊化参数和面糊黏度），预测裹糊油炸食品中米粉的吸油量。米粉油炸面糊的吸油量与其他理化参数之间的Pearson相关系数较低（0.29-0.61）。通过regsubsets函数的穷举搜索方法，选取了四个实验特征（直链淀粉含量、峰值时间、峰值温度和最终黏度）作为影响油炸后米糊吸油量的最佳子集，并应用于两种机器学习算法——多元线性回归和多层感知器神经网络。基于K折交叉验证，实验结果被分为5个数据集，每个数据集包含80%的训练数据和20%的测试数据。与多元线性回归（R² = 0.6204-0.7219）相比，多层感知器模型的迭代应用对米粉油炸面糊吸油量的预测相对更高（R² = 0.7388-0.7781）。因此，带有隐藏层的多层感知器模型表现出更高的R²和更低的相对误差，其性能优于多元线性回归。
-
FFPE肝组织中转录生物标志物的谱图分析：应用PLS-DA检测犊牛非法使用性激素和克伦特罗
查看原文
2021
Food Control
中科院一区JCR一区
Alessandro Benedetto, Marzia Pezzolato, Elisa Robotti, Elena Biasibetti, Audrey Poirier, Gaud Dervilly, Bruno Le Bizec, Emilio Marengo, & Elena Bozzetta
计算机标签
偏最小二乘法 分类/鉴别/等级评定食品标签
畜肉 食品安全与风险评估为保障消费者安全，欧盟已对肉用动物生长促进剂的使用实施严格管控。尽管如此，各国残留监控计划（NRCPs）仍多次查获非法滥用类固醇及其他兽药以提高动物产量的行为。目前，相关管控主要依赖成本高昂的靶向多类别 / 多残留分析方法，用于组织及生物体液中残留物质的确证与定量分析。因此，亟需建立以合成代谢物暴露间接生物标志物为核心的新型补充检测方法，以升级各国残留监控计划中筛查阶段现有的检测手段 —— 该阶段检测方法需满足低成本、高灵敏度及非靶向的技术要求。经基因芯片与 RNA 测序技术验证，非法用药的生物学效应转录组学分析已实现较高程度的标准化，可识别与多类合成代谢物滥用（如性激素、甲状腺抑制剂、β₂- 受体激动剂、糖皮质激素等）相关的大量差异表达基因靶点（DEG）。本研究旨在筛选出一组最小分子标志物组合，以实现对两种最常被非法使用的生长促进剂（性激素与 β₂- 受体激动剂）的检测，检测样本为福尔马林固定石蜡包埋（FFPE）组织。该样本采集策略在屠宰场场景下具有潜在的简便易行性。研究基于小牛肉牛的 FFPE 肝脏样本，开发了一款可对 48 个基因靶点进行定量分析的聚合酶链式反应（PCR）芯片。研究收集了 92 份来自不同动物试验的样本，针对诺龙、雌二醇、二者联用及克伦特罗的作用效果开展研究，并采用传统单变量分析及多元分类法等替代分析方法，对样本进行基因表达谱分析。结果表明，所构建的偏最小二乘判别分析（PLS-DA）模型成功建立了一套基于多转录组生物标志物的新型筛查策略，该策略可扩大检测样本量，进而强化现行各国残留监控计划的执行效力。
