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
-
基于双检测 HS-GC-MS-IMS 和机器学习的柑橘汁挥发组谱分析：一种替代性真实性鉴别方法
查看原文
2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Rebecca Brendel, Sebastian Schwolow, Sascha Rohn, & Philipp Weller
计算机标签
支持向量机 K-近邻 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
果蔬汁/浓缩汁 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 代谢组学 其他植物化学物质本研究采用原型双检测顶空-气相色谱-质谱-离子迁移谱（HS-GC-MS-IMS）系统，在无需样品前处理的情况下分析 47 种柑橘汁的挥发性图谱，包括葡萄柚汁、血橙汁和普通甜橙汁。除缩短测量时间外，在共流出情况下，结合 IMS 和 MS 获得的特征漂移时间和质荷比可显著改善物质鉴定。为区分不同果汁类型的挥发性图谱，研究分别对两类数据集进行了广泛数据分析。主成分分析显示，葡萄柚汁和橙汁之间存在明显分离；IMS 数据可区分非浓缩还原葡萄柚汁和浓缩还原葡萄柚汁，而 MS 数据可区分血橙汁和普通橙汁，说明 IMS 和 MS 数据包含关于挥发性组成的不同信息。随后，研究将线性判别分析、支持向量机和 k 近邻算法作为监督分类方法应用于 PCA 数据。重复交叉验证后，LDA 在两个数据集上表现最佳，IMS 数据总体分类和预测能力分别为 96.9% 和 91.5%，MS 数据分别为 94.5% 和 87.9%。额外数据融合并不总能提高模型预测能力，但可改善特定果汁类别的预测。因此，应根据果汁类别选择最合适的数据集进行类别归属预测。该基于 HS-GC-MS-IMS 双检测和机器学习的挥发组方法，为未来柑橘汁真实性控制提供了简单且有前景的替代方案。
-
基于化学计量学的白芷指纹图谱全面定性与定量分析的“Q-标志物靶向筛选”策略
查看原文
2021
Food Chemistry: X
中科院一区JCR一区
Fang-Yuan Gao, Hai-Yan Chen, Yu-Sha Luo, Ji-Kuai Chen, Lang Yan, Jiang-Bo Zhu, Guo-Rong Fan & Ting-Ting Zhou
计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 组学数据 中等规模数据集食品标签
其他果蔬制品/植物类 香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法白芷是一种著名的功能性食品和草药。为确保白芷的质量，本研究成功开发了一种“Q-标志物靶向筛选”策略，通过充分提取化合物，并利用基于指纹图谱的化学计量学方法计算并靶向筛选定性与定量标志物。由于加速溶剂萃取法具有提取产率高、化合物种类多以及重现性优异（RSD < 1%）的突出优势，因此被选为提取方法。提取后，建立了白芷样品的指纹图谱。为初步鉴别药材真伪，基于指纹图谱通过相似度分析和层次聚类分析靶向筛选了23个定性标志物，并采用液相色谱串联质谱法对其进行鉴定。随后，为进一步进行质量控制，通过相似度分析和线性判别分析靶向筛选了9个定量标志物，并用液相色谱法进行含量测定。最后，该策略成功应用于白芷样品的质量评价。
-
利用高光谱显微成像和人工智能分类算法快速鉴定食源性细菌
查看原文
2021
Food Control
中科院一区JCR一区
Rui Kang, Bosoon Park, Qin Ouyang, & Ni Ren
计算机标签
K-近邻 主成分分析/判别分析 支持向量机 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
微生物安全 光谱/色谱/质谱等分析方法本研究成功构建了一种人工智能（AI）辅助的高光谱显微成像（HMI）方法，可同时鉴别五种常见食源性致病菌。高光谱显微成像技术在活体细胞表征方面具有显著优势，其细胞区域的每个像素均蕴含丰富的光谱信息。为评估不同区域的分类性能，本研究选取了三个感兴趣区域（ROI）开展实验，包括全细胞区域、边缘区域（即细胞膜外侧）及中心区域（即细胞内部区域）。研究提出并优化了一种基于长短期记忆网络（LSTM）的循环神经网络模型，用于直接处理从不同感兴趣区域采集的光谱数据。对比基于主成分分析（PCA）结合不同分类器的模型 —— 包括主成分分析 - 线性判别分析模型（PCA-LDA，识别准确率 66.0%）、主成分分析 - K 近邻模型（PCA-KNN，识别准确率 74.0%）及主成分分析 - 支持向量机模型（PCA-SVM，识别准确率 85.0%）—— 本研究构建的人工智能分类器在中心区域数据集上的识别准确率高达 92.9%，表现最优。此外，人工智能辅助高光谱显微成像技术可实现光谱信息的快速预测，是一种高效的食源性致病菌鉴别工具。
-
结合稳定同位素与矿物元素特征及化学计量学分析鉴定贵州绿茶的产地来源
查看原文
2021
Food Control
中科院一区JCR一区
Wenwen Liu, Yan Chen, Ruoxin Liao, Jie Zhao, Hui Yang & Fuhua Wang
计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 矿物质与微量元素贵州绿茶是贵州省级地理标志保护产品，兼具高经济价值与良好市场口碑。然而，在经济利益的驱使下，市场上针对贵州绿茶的蓄意产地造假与掺伪现象日益突出。因此，亟需建立可靠的产地溯源鉴别方法，以打击此类造假行为，保护正品贵州绿茶。本研究采集了中国不同省份（贵州、湖北、广东）及贵州省内不同县域（都匀、雷山、湄潭）的绿茶样品，对其 4 种稳定同位素及 31 种矿质元素特征进行分析。结果显示：湖北产区绿茶样品的 δ²H 与 δ¹⁸O 同位素比值显著偏高，这一现象或可归因于该地区相对湿度较低引发的强烈二次蒸发效应；同时，不同产区绿茶的矿质元素含量存在显著地域差异，例如铁（Fe）、锰（Mn）、铜（Cu）及稀土元素等。上述差异主要源于产地土壤环境（包括土壤性质、地质背景及矿产资源），且可能与气候条件存在关联。此外，本研究将稳定同位素与矿质元素特征相结合，分别采用主成分分析（PCA）、线性判别分析（LDA）及正交偏最小二乘判别分析（OPLS-DA）方法，探索了贵州绿茶在省级与地级行政区域尺度上的产地鉴别可行性。经交叉验证与外部验证表明，LDA 与 OPLS-DA 模型的预测准确率均高于 97%。研究发现，δ²H 同位素比值及钾（K）、钒（V）、钴（Co）、铜（Cu）、锌（Zn）、铈（Ce）元素含量，是区分三省绿茶样品的关键特征变量；而镝（Dy）、铒（Er）、钆（Gd）、钬（Ho）、钐（Sm）、铽（Tb）、铥（Tm）、镱（Yb）等稀土元素含量，则是实现贵州省内三县域绿茶样品次级分类的核心指标。综上，稳定同位素与矿质元素联合分析策略，可作为鉴别贵州绿茶与其他产地绿茶（包括邻近产区样品）的高效技术手段。
-
利用高光谱成像技术检测可可豆中的异物
查看原文
2021
Food Control
中科院一区JCR一区
Ali Saeidan, Mehdi Khojastehpour, Mahmood Reza Golzarian, Marziye Mooenfard & Haris Ahmad Khan
计算机标签
主成分分析/判别分析 支持向量机 K-近邻 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集食品标签
巧克力及含可可制品 食品安全与风险评估 光谱/色谱/质谱等分析方法可可豆批次中掺杂的异物会直接影响产品的经济效益、市场流通性及整体品质等级。因此，对这些异物的识别与剔除是保障最终产品高品质的关键环节。本研究旨在探究高光谱成像技术用于检测和判别可可加工业中四类典型异物（木材、塑料、石子及植物器官）的可行性。研究人员采集了 250 份可可豆及异物样本的光谱图像数据，并采用主成分分析（PCA）结合三种分类模型进行分析，分别为支持向量机（SVM）、线性判别分析（LDA）和 k 近邻算法（KNN）。研究将由二阶光谱图与前三个主成分提取的最优波段作为输入特征代入分类模型，并对比各模型的判别性能。结果显示，支持向量机模型在可可豆与异物的分类任务中准确率可达 89.10% 以上；以最优特征为输入时，该模型训练集准确率为 86.90%，测试集准确率为 81.28%。为验证模型的泛化能力，研究引入外部测试集开展验证，结果表明：以最优特征作为输入数据时，异物分类模型的稳健性显著提升。
