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
-
利用物理场的人工智能辅助技术控制果蔬干燥的研究综述
查看原文
2020
Trends in Food Science & Technology
中科院一区JCR一区
Jieling Chen, Min Zhang, Baoguo Xu, Jincai Sun & Arun S. Mujumdar
计算机标签
过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据食品标签
水果/蔬菜与菌菇类/植物类 果蔬干/果脯/蔬菜干 物理辅助加工 干燥保藏 过程监测与在线检测 过程优化与控制策略背景：人工智能具有持续学习和适应能力，可增强过程控制的容错性和鲁棒性。应用微波、射频、红外辐射和超声波等高效物理场，可以实现高质量果蔬干燥产品的高效生产。人工智能技术与高效物理场相结合能否获得更好的果蔬干燥产品，以及人工智能如何应用于果蔬干燥过程，已引起广泛关注。
范围与方法：应用人工智能技术辅助高效物理场进行果蔬干燥是未来果蔬干燥产业的发展趋势。本文旨在概述利用物理场为干燥过程提供能量的AI辅助果蔬干燥这一新兴领域的近期研究。介绍了一些人工智能技术，如传感器技术、计算机视觉系统以及用于果蔬干燥过程的几种相关AI技术。随后，总结了人工智能在果蔬物理干燥中的应用，以及如何利用AI改善高效物理场干燥果蔬的缺点。
主要发现与结论：在果蔬干燥过程中应用高效物理场可以解决能耗大、干燥不均匀、感官评价差和营养损失大等问题。利用人工智能技术可以在线检测和控制果蔬的干燥过程及其相应的干燥模型，并确定最佳干燥方案。最重要的是，可以弥补高效物理场干燥果蔬的缺点。人工智能技术在辅助高效物理场干燥果蔬方面具有广阔的应用前景。 -
探索近红外高光谱成像在帕马森雷吉诺干酪碎屑中皮含量自动化定量方面的潜力
查看原文
2020
Food Control
中科院一区JCR一区
R. Calvini a, S. Michelini, V. Pizzamiglio, G. Foca & A. Ulrici
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
奶酪 品质、结构与理化性质 光谱/色谱/质谱等分析方法帕马森雷吉亚诺干酪（Parmigiano Reggiano，P-R） 是意大利最重要的受保护原产地名称（PDO） 标识食品之一。符合《帕马森雷吉亚诺干酪规范》要求的帕马森雷吉亚诺干酪碎产品，同样可使用该 PDO 标识。产品需监测多项品质指标，其中包含可食用的干酪表皮比例，其限值为不超过 18%（质量分数，w/w）。本研究旨在评估采用近红外高光谱成像（NIR-HSI） 技术，对帕马森雷吉亚诺干酪碎样品中的表皮占比进行快速、无损定量检测的可行性。近红外高光谱成像可同步获取样品的空间信息与光谱信息，相较于传统单点光谱技术，更适用于干酪碎这类非均质样品的分析。研究采集了表皮添加比例梯度递增的干酪碎样品高光谱图像，光谱范围为900～1700 nm。首先将每幅高光谱图像转化为名为高光谱图（hyperspectrogram） 的一维信号，该信号可编码图像中的有效特征信息；随后以高光谱图矩阵为基础，采用偏最小二乘（PLS）回归建立干酪表皮含量预测校正模型。研究通过两组外部测试集对模型进行验证，结果证实了该方法的有效性。
-
利用多种机器学习方法预测建模血管紧张素 I 转换酶抑制肽
查看原文
2020
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Yu-Tang Wang, Daniel P. Russo, Chang Liu, Qian Zhou, Hao Zhu, & Ying-Hua Zhang
计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主食品标签
复合/即食/餐饮食品 食品安全与风险评估 抗氧化/抗炎等功能 传统统计分析与回归 蛋白质与氨基酸食源性血管紧张素 I 转换酶（ACE）抑制肽有望作为高血压的安全辅助治疗产品。理论方法能够探索肽结构与生物活性之间的关系，是有前景的建模路径。本研究收集并整理具有 ACE 抑制活性的肽，结合多种机器学习方法和化学描述符建立定量构效关系（QSAR）模型。所得模型揭示了若干影响 ACE 抑制作用的结构特征。研究进一步筛选出 14 条预测可通过抑制 ACE 降低血压的新型二肽。分子对接显示，这些二肽可与 ACE 形成氢键；其中 5 条二肽被合成并进行实验测试。结果证明，所构建 QSAR 模型可用于设计和提出新的 ACE 抑制肽。机器学习算法与合理选择的化学描述符可成为天然功能性食品成分理性设计的有效建模方法。
-
使用高光谱成像技术对不同储存天数的改性肠衣灌装香肠进行颜色分析的可行性研究
查看原文
2020
Food Control
中科院一区JCR一区
Chao-Hui Feng & Yoshio Makino
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
肉类/蛋类与水产品 颜色与外观品质 显微与成像技术 光谱/色谱/质谱等分析方法本研究首次采用380–1000 nm波段的高光谱成像系统，探究了经不同浓度表面活性剂溶液、冰盐乳酸复合改性的肠衣灌装香肠，在4 ℃条件下储藏 68 天过程中的色泽演变规律。研究对光谱数据进行了归一化、标准正态变量变换（SNV）、多元散射校正（MSC）、一阶导数、二阶导数等预处理，预处理后模型性能得到提升。双因素方差分析（ANOVA）结果表明，肠衣处理方式与储藏天数之间不存在交互作用。研究基于反射率与吸光度模式下的光谱数据构建偏最小二乘回归（PLSR）模型，并针对各项色泽指标筛选出特征波长。在红度值（a ∗）预测中，1 号改性处理肠衣对应的、经 MSC 预处理的吸光度光谱所构建的 PLSR 模型，预测决定系数（R p2）最高可达0.78；而采用反射率光谱的对照肠衣组，该值仅为0.61。本研究创新性地证实，高光谱成像在圆柱状香肠的实时检测中具备巨大应用潜力，可实现改性肠衣灌装香肠色泽动态变化的定量分析与可视化表征。
-
利用可见光成像卷积识别和认证大米及其制粉品种
查看原文
2020
Food Control
中科院一区JCR一区
Manuel Izquierdo, Miguel Lastra-Mejías, Ester González-Flores, Sandra Pradana-López, John C. Cancilla & José S. Torrecilla
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
大米 显微与成像技术本研究采集超过 27000 张图像（样本），涵盖 5 个不同品种的水稻（Oryza sativa L.），用于设计并验证一套基于深度学习的稻谷分类系统。研究采用常规数码相机获取这 5 种水稻品种的图像，图像经适当预处理后用于品种分类建模。通过卷积神经网络（CNNs） 对所得图像进行处理，利用该批图像完成网络的训练与优化，以实现不同水稻品种的判别识别。最后，使用初始从训练集中独立划分出的图像完成模型验证，验证取得成功，所构建算法可精准检测并区分全部 5 类水稻品种。综上，卷积神经网络凭借高灵敏度、检测快速，且优化后的算法无需高度专业人员即可部署应用等优势，已被证实是用于该类谷物品种鉴别、品质评价的极具应用价值的工具。
