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
-
基于近红外高光谱分析与化学计量学的松子快速无损研究鉴别方法可行性分析
查看原文
2021
Food Control
中科院一区JCR一区
R. Ríos-Reina, R.M. Callejón, & J.M. Amigo
计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 光谱/色谱/质谱等分析方法西班牙松子凭借其独特的风味与口感，在全球市场广受青睐。然而，随着中国松子在市场中的流通量日益增加，松子产品以次充好、标签造假等问题频发，严重扰乱了西班牙松子的市场秩序。本研究首次将近红外高光谱成像技术（光谱范围 940~1625 nm）与化学计量学方法相结合，针对市售包装标注为西班牙产与中国产的松子开展光谱学研究，分析其化学组分的分布特征与构成差异，并构建单类别建模分类模型。研究共选取 63 份不同产地标注、不同品质等级的市售松子样品进行检测分析。主成分分析（PCA）与多元曲线分辨法（MCR）的分析结果显示，不同产地标注的松子样品中，主要化学组分的光谱特征峰存在差异：1170~1210 nm 波段的特征峰与油脂、脂肪酸相关，1485~1550 nm 波段则对应水分与蛋白质。研究采用类软独立建模法（SIMCA），分别基于像素层面和单粒松子层面两种分析策略，对样品的产地标注信息进行分类判别，正确预测率分别达到 89%~98% 和 84%~100%。该初步研究证实，所提出的技术方法可作为一种快速、全面且创新性的质量控制工具，用于松子产业的品质表征与产地溯源，为行业监管提供技术支撑。
-
利用前表面荧光光谱和化学计量学鉴定意大利特级初榨橄榄油的品种和地理来源
查看原文
2021
Food Control
中科院一区JCR一区
Dimas Firmanda Al Riza, Naoshi Kondo, Vincent Kipkirui Rotich, Claudio Perone & Ferruccio Giametta
计算机标签
K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
植物油 光谱/色谱/质谱等分析方法本研究采用前表面荧光分析法，在无需繁琐样品前处理的前提下，获取了意大利不同单品种及混合品种特级初榨橄榄油的荧光激发 - 发射矩阵（EEM）。实验选取230~360 nm 激发波长与260~390 nm 发射波长构建矩阵，旨在挖掘可用于橄榄油品种鉴别与产地溯源的特征光谱指纹信息。为简化复杂的光谱数据集，研究采用总绝对主成分系数法进行变量降维。结果表明：选取至少 3 个激发波长可提取 5 个特征变量，结合 4 个主成分即可解释样品中 95% 以上的光谱变异信息。本研究推荐 5 组特征波长对（激发 / 发射：300/315、300/340、280/300、280/320、265/330 nm）作为特级初榨橄榄油的高灵敏度光谱指纹。基于上述特征指纹构建多种分类模型后发现，非参数精细 k 近邻（k-NN）分类器对橄榄油品种及产地的鉴别效果最优。该研究证实，多激发波长荧光技术可有效应用于特级初榨橄榄油的品种鉴定与产地溯源。
-
机器学习方法应用于中红外光谱牛奶，以区分牛奶与牧场或全混合饲料的牛奶
查看原文
2021
Journal of Dairy Science
中科院一区JCR一区
Frizzarin, M., O'Callaghan, T. F., Murphy, T. B., Hennessy, D., & Casa, A
计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 大规模数据集食品标签
乳及乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 常量营养素（宏量）近年来，市场上标注为“草饲”的食品产品越来越常见，且往往价格较高。迄今为止，用于验证草饲来源产品的大多数方法都是通过审核和检查农场记录来实现的。因此，能够核实草饲来源的声明以确保消费者信心在未来将非常重要。中红外（MIR）光谱技术在乳制品行业被广泛用于快速监测单个牛群的牛奶成分和质量。进一步利用单个光谱的数据提供了一种有前景且易于实施的策略，可在农场和加工者层面验证牛奶来源。在此，对 11 种机器学习统计分析方法的稳健性、特异性和准确性进行了全面比较，以基于 4320 份来自在户外放牧或室内全混合日粮饲养系统中饲养的奶牛的牛奶样本的 MIR 光谱来区分草饲牛奶和非草饲牛奶，这些样本是在 3 年的时间内收集的。线性判别分析和偏最小二乘判别分析（PLS-DA）被证明在根据中红外光谱预测奶牛饮食方面具有最高的准确性。此外，还强调了在光谱范围内选择最具区分性的波长的简约化策略。
-
开发稳定生长/非生长边界模型需要多少次条件重复？
查看原文
2021
Food Control
中科院一区JCR一区
Natsuki Tsuruma, Shinya Doto, Wataru Ishida, Kento Koyama, & Shigenobu Koseki
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 小规模数据集食品标签
其他酱腌/发酵食品 食品安全与风险评估本研究以 pH 值、加热温度和水分活度（aw）为自变量，分别采用逻辑回归算法与神经网络算法，构建了简单芽孢杆菌（Bacillus simplex）的生长 / 非生长边界模型。该模型的建立基于胰蛋白胨大豆肉汤（TSB）培养基中的菌株生长响应数据，培养基中初始菌浓度约为 10 CFU/mL。实验共设置 192 组条件：pH 值设 4 个水平（7.0、6.6、6.2、5.8），加热温度设 4 个水平（70、80、85、90 ℃，均保温 10 min），贮藏时间设 4 个水平（1、2、3、4 周），水分活度设 3 个水平（0.97、0.98、0.99）。为明确菌株生长概率，每组实验均重复 60 次，最终获得 11520 组数据。研究人员采用胰蛋白胨大豆肉汤培养基和富含营养的加工食品基质代表 —— 卡邦尼酱的独立实验数据集，对所构建的两种模型进行验证。结果显示，两种模型均能准确表征简单芽孢杆菌的生长 / 非生长边界。在实验条件下，pH 值、加热温度、水分活度和贮藏时间这四个参数均对生长 / 非生长边界产生显著影响，其中加热温度与贮藏时间的影响程度高于 pH 值和水分活度。在胰蛋白胨大豆肉汤培养基的独立验证实验中，逻辑回归模型与神经网络模型的正确分类率（FC）分别为 92.2% 和 89.8%。此前研究中普遍采用的三次重复实验方案，用于构建生长 / 非生长边界模型时可能导致生长状态误判；基于此类不准确数据集所建立的模型，其预测结果同样存在偏差，例如反映模型准确度的受试者工作特征曲线下面积（AUC）指标数值会偏低。通过分析实验重复次数与 AUC 值的相关性，本研究确定：构建具有统计学明确意义的生长 / 非生长边界模型时，逻辑回归模型所需的最小实验重复次数应≥10 次，神经网络模型则应≥12 次。研究结果明确阐明了构建此类概率性生长 / 非生长边界模型所需的最低实验重复要求。
-
差示扫描量热法结合机器学习技术：一种测定牛奶真实性的有效方法
查看原文
2021
Food Control
中科院一区JCR一区
Juliana S. Farah, Rodrigo N. Cavalcanti, Jonas T. Guimarães, Celso F. Balthazar, Pablo T. Coimbra, Tatiana C. Pimentel, Erick A. Esmerino, Maria Carmela K.H. Duarte, Mônica Q. Freitas, Daniel Granato, Roberto P.C. Neto, Maria Inês B. Tavares, Verônica Calado, Marcia C. Silva, & Adriano G. Cruz
计算机标签
随机森林 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
液态乳 食品安全与风险评估 理化与结构表征本研究采用差示扫描量热法（DSC）结合机器学习工具（随机森林、梯度提升机、多层感知器，即 RF、GBM、MLP），建立生牛乳掺假检测方法，可实现对甲醛、乳清、尿素及淀粉类掺假物质的鉴别。掺假样品的差示扫描量热曲线与纯生牛乳存在显著差异。梯度提升机（GBM）与多层感知器（MLP）模型对掺假样品的分类准确率达 100%；随机森林（RF）模型表现同样优异，其识别准确率为 100%，预测准确率为 88.5%。进一步分析显示，对于梯度提升机（GBM）与随机森林（RF）模型而言，结晶峰温度是最关键的判别性预测变量；而多层感知器（MLP）模型的核心预测变量则依次为沸腾峰温度、结晶起始温度及沸腾起始温度。牛乳掺假检测是一项多维度的技术工作，差示扫描量热法与机器学习算法相结合的技术方案具有重要的应用前景，具备在乳品行业落地推广的实际潜力。
