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
-
机器学习在食品安全中的新兴应用
查看原文
2021
Annual Review of Food Science and Technology
中科院一区JCR一区
Xiangyu Deng, Shuhao Cao & Abigail L. Horn
计算机标签
机器学习/统计学习 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 知识抽取与语义理解 组学数据 大规模数据集食品标签
复合/即食/餐饮食品 食品安全与风险评估 标准/法规/数据库分析食品安全继续威胁着公众健康。机器学习在利用大量新兴数据集来提高食品供应的安全性和减轻食品安全事件的影响方面具有潜力。食源性病原体基因组以及包括文本、交易和贸易数据在内的新型数据流，在机器学习方法的推动下得到了新兴应用，例如抗生素耐药性预测、病原体来源归因以及食源性疫情检测和风险评估。在本文中，我们将对食品安全领域的机器学习进行简要介绍，并概述其最新进展和应用。由于许多此类应用仍处于起步阶段，与机器学习相关的一般性和特定领域的缺陷及挑战已开始被认识和解决，这对于大规模数据集及其相关机器学习模型在食品安全应用中的未来使用和部署至关重要。
-
基于化学性质或FTIR指纹图谱及化学计量学方法的特级初榨摩洛哥坚果油货架期监测与预测
查看原文
2021
Food Control
中科院一区JCR一区
Mourad Kharbach, Ilias Marmouzi, Rabie Kamal, Huiwen Yu, Issam Barra, Yahia Cherrah, Katim Alaoui, Yvan Vander Heyden, & Abdelaziz Bouklouze
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素（宏量）为深入探究特级初榨摩洛哥坚果油（EVAO）在贮藏期间的货架期变化规律，本研究系统考察了贮藏时长、烘炒工艺及包装材料对油品品质的影响。实验所用油品分别提取自烘炒与未烘炒的摩洛哥坚果仁。研究通过测定多项化学指标（包括酸值、过氧化值、特征吸光度 K₂₃₂与 K₂₇₀、生育酚含量、脂肪酸及甾醇组成，以及氧化稳定性指数）并结合傅里叶变换红外光谱（FTIR）分析，完成对特级初榨摩洛哥坚果油的货架期评估。研究共制备 60 份特级初榨摩洛哥坚果油样品（烘炒组与未烘炒组各 30 份），于制备完成后随即进行检测；随后将全部样品分别灌装至两种不同类型的玻璃瓶（深色瓶与透明瓶）中，最终得到 120 份待测样品。所有样品均置于模拟实际流通的贮藏条件（室温）下连续存放两年，并每 6 个月取样进行一次检测分析。研究引入化学计量学数据分析方法，以探究各因素对油品货架期的影响机制。基于化学检测数据与傅里叶变换红外光谱数据开展的主成分分析（PCA）及偏最小二乘判别分析（PLS-DA）结果表明，两种分析模型均可有效区分新鲜油品与氧化变质油品。研究进一步采用偏最小二乘回归（PLS）法构建预测模型，实现对油品货架期的精准预测，从而确定油品丧失特级初榨品质的临界贮藏时间。最终，本研究证实：利用傅里叶变换红外光谱指纹图谱结合偏最小二乘回归法，可实现特级初榨摩洛哥坚果油贮藏期间四项理化指标（即酸值、过氧化值、K₂₃₂与 K₂₇₀）的定量检测。
-
面向“下一代”食品生产系统的人工智能土壤质量与健康指数
查看原文
2021
Trends in Food Science & Technology
中科院一区JCR一区
Vinícius Henrique Gomes Zuppa de Andrade, Marc Redmile-Gordon, Bruno Henrique Groenner Barbosa, Fernando Dini Andreote, Luiz Fernando Wurdig Roesch & Victor Satler Pylro
计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据食品标签
可持续性与资源高值化 微生物组/宏基因组学目前，缺乏通用的土壤质量指数限制了该方法的采用，并可能阻碍作物生产力和环境可持续性的改善。一些土壤质量指数仅依赖于物理化学特征，这些特征变化缓慢，因此在预测土壤退化方面缺乏适当的时效性。相比之下，微生物对土地利用和/或管理的变化反应迅速。此外，微生物产生许多土壤功能所需的酶和生物物理结构，从而驱动“肥力”、“健康”和“质量”。因此，理解群落驱动的转化应能预测土壤质量响应管理的轨迹。然而，依赖于特定地点因素而产生的多种不同后果和反馈回路超出了现有模型的能力。过去十年中产生了大量的土壤（宏）基因组数据。与此同时，人工智能的进步已经彻底改变了我们在多个领域创建预测模型的能力，例如帮助植物育种者寻找特定的有益性状，以及通过预测天气变化来指导作物管理。作为土壤微生物学家和生物信息学家，我们认为创建一个通用、稳健和动态的人工智能土壤质量指数意味着要利用机器学习算法和土壤微生物组数据，结合传统的物理化学参数和生产力数据。该指数必须足够灵活，以涵盖区域特性，同时允许进行比较研究。在同一指数内细化不同模型可能会提高其准确性，有助于进行实时预测。建立协作努力对于创建该指数至关重要，以最大程度地增强农业管理实践和生态系统可持续性。
-
新鲜、储存和熟制肉馅中猪肉和鸡肉掺假的快速检测
查看原文
2021
Food Control
中科院一区JCR一区
Lemonia-Christina Fengou, Panagiotis Tsakanikas, & George-John E. Nychas
计算机标签
支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
肉类/蛋类与水产品 食品安全与风险评估 光谱/色谱/质谱等分析方法在食品供应链中，一种常见的欺诈行为是以其他肉类品种部分替代产品标注的肉类种类。因此，在食品生产、加工、流通、消费及废弃物处理的全流程中，采用快速、无损的检测方法鉴别肉类掺假，对维护消费者权益至关重要。本研究以此为出发点，旨在结合多光谱成像技术（MSI）与支持向量机分类算法（SVM），针对三类样品开展猪肉与鸡肉的双向掺假检测研究，具体包括：（a）生鲜状态的肉馅、（b）冷藏存放的生肉馅、（c）煮熟后的肉馅。研究分别在以下三个时间节点采集多光谱图像：0 小时（新鲜制备的肉馅样品，样本量 n=360）、冷藏 24 小时及 48 小时后（冷藏生肉馅样品，样本量 n=180）；在冷藏 48 小时后，将部分样品进行蒸煮处理，随后采集熟肉馅的多光谱图像（样本量 n=180）。基于上述图像数据，研究人员构建了支持向量机分类模型，并利用（a）（b）（c）三类独立样本集对模型进行外部验证。外部验证的准确率结果如下：（a）生鲜肉馅的鉴别准确率为96.67%（n=360）；（b）冷藏生肉馅在 0 小时、24 小时、48 小时的鉴别准确率分别为 93.33%、97.78%、95.56%（n=180）；（c）熟肉馅的鉴别准确率为95.56%（n=180）。综上，多光谱成像数据结合支持向量机算法，在生鲜、冷藏及煮熟三类肉馅样品的掺假快速检测中均展现出良好的应用潜力。
-
应用电子舌结合深度学习与迁移学习技术鉴别普洱茶贮藏时间
查看原文
2021
Food Control
中科院一区JCR一区
Zhengwei Yang, Nan Miao, Xin Zhang, Qingsheng Li, Zhiqiang Wang, Caihong Li, Xia Sun, & Yubin Lan
计算机标签
卷积神经网络 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
茶/茶饮料 食品安全与风险评估普洱茶是我国著名的发酵茶，其品质与风味和发酵陈化的贮藏时长密切相关。本研究提出一种基于伏安型电子舌（VE-Tongue）结合深度学习与迁移学习技术的普洱茶年份鉴别方法。为使深度学习模型适配伏安型电子舌信号的处理需求，研究构建了一维卷积神经网络（1-D CNN），用于自动完成特征提取与分类任务。同时引入迁移学习（TL）策略开展模型训练，以降低训练复杂度，提升卷积神经网络的泛化能力。为验证所提模型的性能，研究将其与反向传播神经网络、支持向量机、极限学习机等传统机器学习方法进行对比。结果表明，该模型在普洱茶年份分类任务中的表现优于其他方法，其测试集准确率达 98.80%，精确率为 98.2%、召回率为 98%、F1 值为 0.98。本研究证实，伏安型电子舌结合深度学习与迁移学习算法的技术方案，可作为一种灵敏、可靠且高效的检测手段，实现对普洱茶贮藏年份的精准鉴别，该方法未来可进一步拓展应用于其他相关领域。
