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
-
结合可见光、近红外和中红外光谱的创新化学计量策略控制苹果泥质量
查看原文
2021
Food Control
中科院一区JCR一区
Weijie Lan, Sylvie Bureau, Songchao Chen, Alexandre Leca, Catherine M.G.C. Renard & Benoit Jaillais
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
新鲜水果 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）本研究采用可见 - 近红外光谱技术（Vis-NIRS）、中红外光谱技术（MIRS）及二者联用技术，结合偏最小二乘回归（PLS）与机器学习算法，开展两项研究：其一，对复合苹果泥中不同品种苹果的配比进行溯源分析；其二，基于原料品种苹果泥的光谱信息，预测复合苹果泥的品质特性。偏最小二乘回归模型借助中红外光谱数据，可实现对复合苹果泥中各品种苹果占比的定量分析，模型预测均方根误差（RMSEP）均小于 8.1%，剩余预测偏差（RPD）均大于 3.6；其中，针对澳洲青苹（Granny Smith）的定量效果最优，预测均方根误差低至 2.7%，剩余预测偏差高达 11.4。通过多元曲线分辨 - 交替最小二乘法（MCR-ALS）解析得到的组分浓度谱，可实现复合苹果泥光谱的重构。研究证实，仅依靠原料品种苹果泥的光谱数据，中红外光谱技术即可实现对复合苹果泥终产品多项品质指标的预测，包括黏度（RPD>4.0）、可溶性固形物含量（RPD=4.1）、苹果酸含量（RPD=4.7）及葡萄糖含量（RPD=4.3）。综上，红外光谱技术不仅可作为苹果泥配比溯源的高效工具，还能根据原料品种苹果泥的特性，为复合苹果泥产品的多指标优化提供技术支撑。
-
基于图像分析和灰盒数据驱动模型预测复杂食品材料在3D打印中的挤出性
查看原文
2021
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Yizhou Ma, Maarten A.I. Schutyser, Remko M. Boom & Lu Zhang
计算机标签
随机森林 定量预测/回归分析 质构/流变/感官数据食品标签
3D 打印与结构构筑 理化与结构表征材料挤出性是实现基于挤出的食品3D打印的前提。本研究通过打印具有不同剪切稀化行为的食品材料来开发挤出性的预测模型。收集了包含131种独特的材料与打印参数组合的数据集。采用图像分析技术，通过打印线条的模态宽度、线高和宽度一致性来快速量化挤出性。打印压力与体积流量之间的关系遵循幂律关系，这表征了食品材料的剪切稀化程度。使用随机森林算法训练并测试了回归模型和分类模型。模型性能表明，利用流变学测量数据和打印参数作为输入，可以中等至高等精度预测挤出性。本研究开发的预测工作流程为定量评估和预测复杂食品材料的3D打印挤出性提供了一个框架。
-
使用YOLOv5检测食品表面的霉菌
查看原文
2021
Current Research in Food Science
中科院一区JCR一区
Fahad Jubayer, Janibul Alam Soeb, Abu Naser Mojumder, Mitun Kanti Paul, Pranta Barua, Shahidullah Kayshar, Syeda Sabrina Akter, Mizanur Rahman & Amirul Islam
计算机标签
目标检测网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集食品标签
微生物安全 显微与成像技术 微生物与发酵实验本研究旨在识别在各种食物表面生长的不同霉菌。因此，我们基于“你只看一次（YOLO）v5”原理开展了一项关于食物表面霉菌检测的案例研究。在此背景下，我们创建了一个包含2050张食物表面长有霉菌的图像数据集。这些图像一部分来自我们自己的实验室（850张），另一部分来自互联网（1200张）。该数据集使用预训练的YOLOv5算法进行训练。我们还进行了实验室测试，以确认生长的微生物是霉菌。与YOLOv3和YOLOv4相比，当前的YOLOv5模型具有更高的精度、召回率和平均精度（AP），分别为98.10%、100%和99.60%。本研究首次将YOLOv5算法用于食物表面霉菌的检测。总之，所提出的模型能够成功识别食物表面存在的任何种类的霉菌。目前，我们正利用YOLOv5进行研究，以识别所检测到的霉菌的具体种类。
-
人参锈根病中土壤微生物群变化：应用机器学习算法探索诊断与预测分析的潜在生物标志物
查看原文
2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Gi-Ung Kang, Jerald Conrad Ibal, Seungjun Lee, Myeong Hwan Jang, Yeong-Jun Park, Min-Chul Kim, Tae-Hyung Park, Min-Sueng Kim, Ryeong-Hui Kim, & Jae-Ho Shin
计算机标签
支持向量机 定量预测/回归分析 组学数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 品质、结构与理化性质 微生物组/宏基因组学利用微生物组成作为预测工具的思路已广泛应用于人群队列研究，但土壤微生物群作为诊断工具预测植物表型的潜力仍不明确。本研究采集 130 份土壤样品，包括 54 份健康对照和 76 份人参锈根病样品。结果显示，人参锈根病样品中的 Shannon、Simpson、Chao1 和系统发育多样性等 α 多样性指标显著下降（P < 0.05）。研究进一步识别出 30 个潜在生物标志物，并通过支持向量机五折交叉验证获得优化标志物组合，其受试者工作特征曲线下面积达到 0.856。多指标分类性能评估也显示出较强判别能力，准确率、F1 值和 Kappa 系数分别为 90.99%、0.903 和 0.808。总体来看，结果表明人参锈根病会改变土壤微生物群结构，土壤微生物群具有识别锈根病风险农场的潜在能力，可用于诊断和预测分析。
-
利用拉曼光谱和单类支持向量机检测木薯淀粉掺假的更清洁快速的方法
查看原文
2021
Food Control
中科院一区JCR一区
Victor Gustavo Kelis Cardoso & Ronei Jesus Poppi
计算机标签
支持向量机 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他根茎类 食品安全与风险评估 光谱/色谱/质谱等分析方法鉴于食品掺假问题备受关注，实验室已将各类分析检测列为常规手段，以评估并保障食品质量安全。然而，传统分析方法虽能获取可靠检测结果，却存在操作耗时、成本高昂的弊端。为此，本研究旨在开发一种环保、经济、快速的绿色检测新方法，用于木薯淀粉的掺假鉴别。拉曼光谱技术恰好满足上述所有要求，在开展此类常规分析工作中具有巨大应用潜力。在食品真伪鉴别研究中，数据处理同样是关键环节，本研究提出采用单类模型进行数据解析。实验选取 单类支持向量机（OC-SVM）与类类比软独立建模法（SIMCA） 两种单类分类算法，对其模型性能展开对比分析。研究人员在实验室中制备了系列掺假木薯淀粉样品，掺假物包括小麦粉、碳酸氢钠等，掺假比例区间设定为 0.5%—50%。经统计学方法对比验证，单类支持向量机模型的性能显著优于类类比软独立建模法：在已知样本预测中，前者的灵敏度、特异度和准确率分别达到 87.1%、86.8% 和 86.9%。这一优势也使得单类支持向量机模型可检出低至 2% 的掺假比例，而类类比软独立建模法的最低检出限仅为 5%。
