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
-
植物油中化学污染物的安全风险评估与早期预警
查看原文
2021
Food Control
中科院一区JCR一区
Bing Niu, Hui Zhang, Guangya Zhou, Shuwen Zhang, Yunfeng Yang, Xiaojun Deng, & Qin Chen
计算机标签
支持向量机 随机森林 深度学习 定量预测/回归分析 文本/知识库/法规数据食品标签
植物油 化学污染物食用植物油是人们日常饮食中的必需品，其安全问题受到政府与消费者的高度关注。近年来，食用植物油安全事件屡有报道，其中苯并芘、重金属及黄曲霉毒素 B₁等化学性危害物引发的食用植物油安全问题尤为突出。本研究通过膳食暴露评估与暴露限值（MOE）分析，构建风险评估模型，对食用植物油中苯并芘、黄曲霉毒素 B₁及重金属的健康风险进行评估。在此基础上，结合层次分析法（AHP）与反向传播神经网络（BP 神经网络），建立食用植物油安全风险预警模型。该风险预警模型依据国家相关标准及抽样检测数据，确定了八项食用植物油质量安全评价指标，并采用 熵权 - 层次分析法（EW-AHP） 对植物油的化学性污染风险值进行量化计算。研究将八项评价指标数据作为模型输入变量，以综合风险值作为输出变量，开展模型训练工作；同时选取支持向量机（SVM）、随机森林（RF）、径向基函数神经网络（RBF）及反向传播神经网络（BP）四种算法分别构建模型，并对模型性能进行对比分析。研究将食用植物油化学性危害物的日常抽样检测数据，转化为具体的化学性危害风险等级，最终实现对食用植物油中化学性危害风险等级的预测。本研究为食用植物油安全监管工作提供了针对性的参考建议，以期提升监管效率，保障食用植物油的消费安全。
-
近红外光谱法快速分析完整可可豆壳中生物活性化合物的可行性研究
查看原文
2021
Food Control
中科院一区JCR一区
Carolina Hernández-Hernández, Víctor M. Fernández-Cabanás, Guillermo Rodríguez-Gutiérrez, Alejandra Bermúdez-Oria, & Ana Morales-Sillero
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
巧克力及含可可制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法可可豆壳（CBH）作为天然生物活性化合物来源的应用潜力正日益凸显。本研究采用近红外光谱技术，对可可豆壳样品中的生物活性化合物及其抗氧化活性展开分析。实验所用可可豆均采自墨西哥基因库，并完成发酵处理。研究人员将总糖、总酚、酚类化合物、可可碱及抗氧化活性的参照检测数据，与完整可可豆壳及可可豆的光谱数据进行相关性分析。建模过程中，采用改良偏最小二乘回归法（MPLSR）构建定量校正模型。结果显示，基于可可豆壳光谱数据所建模型，对总糖、可可碱、总酚的定量分析效果良好，决定系数（r2）分别为 0.90、0.83 和 0.81，交叉验证标准差与预测标准差比值（RPD）分别达 3.16、2.39 和 2.28。本研究首次以完整可可豆颗粒的光谱数据为基础，实现了对可可豆壳中生物活性化合物含量的有效校正分析。对于关注可可豆壳生物活性化合物的相关产业而言，该技术可作为一种简便快速的含量预测手段，同时规避了繁琐的剥壳预处理流程。
-
基于静态顶空-气相色谱-离子迁移谱和可解释机器学习的长相思葡萄酒质量等级挥发物预测
查看原文
2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Wenyao Zhu, Frank Benkwitz, & Paul A. Kilmartin
计算机标签
深度学习 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据食品标签
新鲜水果 酒精饮料 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质本研究首次将静态顶空-气相色谱-离子迁移谱（SHS-GC-IMS）的分析范围应用于葡萄酒香气分析。研究首先微调方法参数以获得最佳分析结果，并从重复性和再现性方面证明方法稳定性。研究还实现了简明的化合物定性鉴定，识别出若干此前较少在长相思葡萄酒中报道的挥发物，如乙酸甲酯、甲酸乙酯和乙酸戊酯。采用非靶向策略利用 SHS-GC-IMS 数据，并对大数据集进行计算建模，将香气化学通过预测模型与葡萄酒感官质量等级关联。研究比较了 6 种机器学习模型，人工神经网络表现最优，预测准确率达到 95.4%。尽管 ANN 模型具有内在复杂性，但其仍提供了关于影响性挥发物的有价值见解，这些挥发物与较高或较低感官等级具有良好相关性。未来这些发现可用于指导酿酒师建立葡萄酒质量评价，尤其是在装瓶前调配环节。
-
基于微流控色谱检测系统的食品中人工甜味剂快速检测
查看原文
2021
Chemical Engineering Journal
中科院一区JCR一区
Chang-Chiung Liu, Chien-Hsuan Ko, Yao-Nan Wang, Lung-Ming Fu & Sheng-Chih Lee
计算机标签
智能手机/其他食品标签
食品安全与风险评估 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 其他特殊成分人工甜味剂通常被食品制造商用作糖的低热量替代品。然而，过量食用人造甜味剂会对人体健康有害。因此，在食品和饮料中的浓度必须小心控制。因此，本研究提出了一种微流控色谱检测（MCD）系统，用于同时测定糖精钠（SAC）和乙酰磺胺钾（Ace-K）两种常见甜味剂的浓度。在所提出的系统中，样品被滴在含有二水、乙酸乙酯、乙酸和乙醇的显影液的MCD芯片上，然后芯片被放置在UV微分析装置中。在允许显影溶液有足够的时间将SAC和Ace-K甜味剂与干扰物质分离后，芯片由254 nm紫外线灯照明并由CMOS相机捕获。然后将捕获的图像无线传输到智能手机，在智能手机上使用自主开发的色谱分析应用程序得出Ace-K或SAC甜味剂浓度。使用已知SAC和Ace-K浓度的对照样品获得的结果表明，当前的MCD系统在50~2000 ppm浓度范围内对两种甜味剂都提供了可靠的检测性能。此外，16种市售食品中SAC和Ace-K的检测结果与传统大尺度高效液相色谱法的检测结果相差6.3%。
-
利用“单类”多元素化学计量学模型区分在喜马拉雅巴斯马蒂地理区域内外部种植的巴基斯坦长粒米
查看原文
2021
Food Control
中科院一区JCR一区
M. Arif, G. Chilvers, S. Day, S.A. Naveed, M. Woolfe, O.Ye. Rodionova, A.L. Pomerantsev, O. Kracht, C. Brodie, A. Mihailova, A. Abrahim, A. Cannavan & S.D. Kelly
计算机标签
机器学习/统计学习 分类/鉴别/等级评定食品标签
大米“巴斯马蒂”（Basmati）是一类稻米的专用名称，特指种植于印度和巴基斯坦印度河 - 恒河平原特定产区的若干限定品种。该稻米因品质上乘而售价高昂，由此易成为受经济利益驱使的掺假欺诈目标。部分不良生产商或经销商会将非巴斯马蒂认证产区种植的稻米冒用标识，冒充巴斯马蒂稻米销售，以牟取暴利。因此，巴斯马蒂稻米的产地溯源鉴别对整个产业链而言至关重要；加之目前相关方正向欧盟委员会提交地理标志（GI）认证申请，产地鉴别的重要性愈发凸显。尽管元素分析法此前已被应用于稻米溯源研究，但针对巴斯马蒂稻米产地鉴别开展的相关研究仍为数不多。本研究证实，将元素分析法与 数据驱动型类比软独立建模法（DD - SIMCA） 相结合，对区分巴基斯坦巴斯马蒂认证产区与非认证产区稻米具有极高的应用潜力，这一方法可有效验证巴斯马蒂稻米产地溯源的 “地理属性” 特征。研究所构建的单类别 DD - SIMCA 模型，灵敏度达 100%，特异度达 98%。
