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
-
深度学习与机器视觉在食品加工中的应用：综述
查看原文
2021
Current Research in Food Science
中科院一区JCR一区
Lili Zhu, Petros Spachos, Erica Pensini & Konstantinos N
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
品质、结构与理化性质 食品安全与风险评估 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术食品的质量与安全是全社会关注的重要问题，因为它是人类健康、社会发展与稳定的基础。保障食品质量安全是一个复杂的过程，必须考虑食品加工的各个环节，从种植、收获、储存到制备和消费。然而，这些过程往往劳动密集。如今，机器视觉的发展能极大地帮助研究人员和行业提高食品加工效率。因此，机器视觉已被广泛应用于食品加工的各个方面。同时，图像处理是机器视觉的重要组成部分。图像处理可以利用机器学习和深度学习模型，有效识别食品的种类和质量。随后，机器视觉系统中的后续设计能够完成食品分级、检测缺陷点或异物位置以及去除杂质等任务。在本文中，我们概述了可应用于食品加工领域的传统机器学习和深度学习方法，以及机器视觉技术。我们介绍了当前的方法、面临的挑战以及未来的发展趋势。
-
使用拉曼光谱技术鉴定澳大利亚常见牛肉生产系统
查看原文
2021
Food Control
中科院一区JCR一区
Bridgette G. Logan, David L. Hopkins, Leigh M. Schmidtke, & Stephanie M. Fowler
计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸澳大利亚谷饲与草饲牛肉产品在市场上可售得溢价，许多牛肉加工商也会借助生产模式相关宣传语来推广旗下品牌牛肉。鉴于肉牛的日粮营养会改变皮下脂肪的脂肪酸组成，且利用脂肪的拉曼光谱可实现对谷饲与草饲肉牛的区分，本研究旨在验证拉曼光谱结合化学计量学建模能否对不同生产模式下的草饲牛肉进行精准鉴别。为此，本研究共检测了 520 份牛胴体的皮下脂肪样本，其中长期谷饲、短期谷饲、草饲及补饲型草饲肉牛样本各 130 份。基于偏最小二乘判别分析（PLS-DA）的胴体分类结果显示，在测试数据集下，该方法对长期谷饲、短期谷饲、草饲及补饲型草饲牛胴体的正确分类率分别达到 96%、85%、83% 和 83%。研究证实，驱动这一分类的核心是包含脂肪酸特征峰在内的特异性光谱图谱。综上，本研究表明，拉曼光谱技术可作为鉴别不同生产模式牛胴体的有效工具，为牛肉产地溯源与品质认证提供技术支撑。
-
结合机器学习与元素剖析，用于中国地理标志（GI）水稻的地理认证
查看原文
2021
npj Science of Food
中科院一区JCR一区
Fei Xu, Fanzhou Kong, Hong Peng, Shuofei Dong, Weiyu Gao & Guangtao Zhang
计算机标签
支持向量机 随机森林 特征工程与选择策略 分类/鉴别/等级评定 质构/流变/感官数据 中等规模数据集食品标签
大米 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素鉴定地理来源对于保护具有指定产地的有价值的农产品的真实性至关重要。在本研究中，开发了一种稳健且准确的分析方法，可以认证地理标志（GI）产品的地理来源。该方法基于电感耦合等离子体质谱（ICP-MS）的元素分析，并结合机器学习技术进行模型构建和特征选择。该方法成功预测和分类了六个品种的中国地理标志大米。测定了131个大米样品的元素谱，并实现了两种机器学习算法，支持向量机（SVM）和随机森林（RF），以及特征选择算法Relief。Relief-SVM和Relief-RF模型仅使用四种元素（Al、B、Rb和Na）就实现了100%的预测准确率。本研究的方法和知识可用于开发可靠的方法，以追踪多种高价值农产品的地理来源并控制欺诈性标签。
-
基于高光谱成像的不同解冻方法下大口黑鲈新鲜度快速评价
查看原文
2021
Food Control
中科院一区JCR一区
Wendi Zhang, Ailing Cao, Peiying Shi, & Luyun Cai
计算机标签
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱食品标签
鱼肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法鱼肉及其加工制品因富含营养价值，近年来备受消费者关注。然而，由于鱼肉含水量较高，其制品极易腐败变质，导致品质快速下降。因此，快速高效的鱼肉新鲜度检测技术对未来水产行业的发展至关重要。实现不同解冻方式下鱼肉新鲜度的可视化表征，对于保障鱼肉品质、留存营养成分具有重要意义。电导率（EC）是一项重要的新鲜度化学指标。本研究旨在探索高光谱成像技术（HSI）结合多元数据分析的方法，实现鱼肉新鲜度的精准判别。研究采用多元线性逐步回归（MLSR）与偏最小二乘回归（PLSR）算法，对全光谱数据进行建模分析与预测。通过连续投影算法（SPA）筛选出 7 个特征波长（445、474、580、612、711、813、974 nm），并分别建立 PLSR 和 MLSR 模型，最终确定SPA 结合 PLSR 为最优预测模型。基于 SPA-PLSR 模型构建的参数方程（预测集决定系数R p2=0.8569，预测均方根误差RMSEP=19.06），被逐像素映射至高光谱图像，生成电导率（EC）值的空间分布图。本研究以不同解冻方式下贮藏的大口黑鲈鱼片为对象，验证了高光谱成像模型对新鲜度指标的预测能力。结果表明，高光谱成像技术（HSI）是一种极具潜力的鱼肉新鲜度无损、非侵入式检测技术。
-
机器学习赋能的无损纸基显色阵列用于检测食品上的多种活体病原体
查看原文
2021
Nature Food
中科院一区JCR一区
Manyun Yang, Xiaobo Liu, Yaguang Luo, Arne J. Pearlstein, Shilong Wang, Hayden Dillow, Kevin Reed, Zhen Jia, Arnav Sharma, Bin Zhou, Dan Pearlstein, Hengyong Yu & Boce Zhang
计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法 统计建模与仿真快速且同时检测食品中的多种可存活病原体对于公共健康至关重要。在此，我们报告了一种利用纸基色谱阵列（PCA）并通过机器学习实现的病原体检测系统。该PCA由浸有 23 种显色染料和染料组合的纸基底构成，当暴露于目标病原体释放的挥发性有机化合物时，会发生颜色变化。这些颜色变化会被数字化，并用于训练一个多层神经网络（NN），使其具备高精度（91%-95%）的病原体种类特异性检测和定量能力。经过训练的PCA-NN系统能够区分活的大肠杆菌、大肠杆菌 O157:H7 以及其他活的病原体，并且能够同时在新鲜切割的生菜中同时检测出大肠杆菌 O157:H7 和单核细胞增生李斯特菌，这代表了一个现实且复杂的环境。这种方法有可能在无需富集、培养、孵育或其他样本制备步骤的情况下，推进食品中非破坏性病原体检测和识别。
