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 339 条结果
-
深度学习在食品安全与真实性检测中的综合评述与未来展望
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
Yan Wang, Hui-Wen Gu, Xiao-Li Yin, Tao Geng, Wanjun Long, Haiyan Fu & Yuanbin She
计算机标签
深度学习 卷积神经网络 生成对抗网络 分类/鉴别/等级评定 多模态/融合数据食品标签
食品安全与风险评估背景：食品安全是一个重要的公共卫生问题，深度学习算法可以为食品安全和真实性检测提供有力的工具和方法。与化学计量学算法和传统机器学习算法相比，深度学习算法在多方面的性能都有所提升。通过学习和分析大量数据，深度学习模型能够提高食品安全和真实性检测的效率和准确性，有助于保障公共卫生与安全。
范围与方法：本文综述了一些常用的化学计量学算法、传统机器学习算法和流行的深度学习算法。其中，特别关注了卷积神经网络（CNN）、全卷积网络（FCN）和生成对抗网络（GAN）。此外，强调了GAN对CNN的辅助作用。最后，本文回顾了深度学习算法在食品安全和真实性检测领域的最新应用，并展望了深度学习算法在该领域面临的挑战和未来发展方向。
主要发现与结论：尽管深度学习在食品安全和真实性检测领域已取得诸多成果，但仍具有巨大的发展潜力。例如，GAN的数据增强功能可以帮助CNN获得更多训练样本，从而提高识别率。此外，多模态神经网络（MNN）或多模态注意力网络（MAN）也可用于实现来自不同模态的数据融合，以进一步提高深度学习算法的鲁棒性和准确性。 -
鱼类切割研究新进展：从切割方案到自动化技术与物联网创新
查看原文
2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Qing Li, Huawei Ma, Weiqing Min, Yang Wang, Ran Zhao, Yongjie Zhou, Yuqing Tan, Yongkang Luo & Hui Hong
计算机标签
机器学习/统计学习 深度学习 缺陷/异物检测与定位 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
鱼肉 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术鱼类切割产品因其不同部位独特的营养成分和风味而广受消费者喜爱。然而，由于工作环境恶劣、工作量大以及具有季节性，鱼类切割行业面临着劳动力短缺的问题。因此，需要一些自动化、高效且大规模的切割技术来克服这些挑战。随着工业4.0的发展，物联网（IoT）、人工智能、大数据和区块链技术正逐步应用于切割过程中，在数字化生产监控和产品安全提升方面发挥着关键作用。本文综述聚焦于主要的鱼类切割方案，并深入探讨先进的自动切割技术，展示最新的技术进展以及它们如何给鱼类切割行业带来变革。此外，还讨论了基于物联网的鱼类切割过程生产监控架构。鱼类切割涉及多种方案，这些方案是根据每种鱼块的特定特征量身定制的。切割过程包括去头、去尾、切片、去骨、去皮、修整和骨头检测。通过整合传感器、机器视觉、深度学习和先进的切割工具，这些技术正将鱼类切割从人工操作转变为自动化流程。这种转变对该行业具有重要的实际意义，不仅提高了效率、保证了产品质量的一致性，还增强了安全性，最终在工业4.0的背景下为鱼类切割自动化提供了一种现代化的制造方法。
-
基于机器学习的光谱食品掺假检测：当前挑战与未来展望
查看原文
2024
Trends in Food Science & Technology
中科院一区JCR一区
Rishabh Goyal, Poonam Singha & Sushil Kumar Singh
计算机标签
机器学习/统计学习 深度学习 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法背景：食品掺假已成为食品行业面临的重大挑战，影响着消费者的健康和市场信任。利用机器学习，特别是深度学习与光谱方法，已经彻底改变了食品掺假检测方式，使得开发更为复杂和自动化的解决方案成为可能。
范围与方法：本综述旨在全面概述基于机器学习的光谱技术在检测食品掺假方面的挑战与机遇，探讨了食品行业中常用的各种光谱技术，如红外光谱、拉曼光谱、核磁共振光谱、荧光光谱、多光谱成像和高光谱成像。文章讨论了数据预处理、特征工程、模型复杂性、可解释性及其性能，以及对大规模多样化数据集的需求。
主要发现与结论：要开发一个采用机器学习的商业化光谱掺假检测系统，不仅需要优化模型，还需要优化数据集大小、预处理方法的组合、特征选择与提取方法、模型选择、通过验证调整的超参数以及性能标准。此外，新的机器学习算法正在迅速发展，但利用光谱技术创建专门的掺假检测模型仍然是一个研究领域。 -
利用拉曼光谱结合深度学习算法，研究热诱导猪肉面糊质量检测与变化机制
查看原文
2024
Food Chemistry
中科院一区JCR一区
Huanhuan Li, Wei Sheng, Selorm Yao-Say Solomon Adade, Xorlali Nunekpeku, & Quansheng Chen
计算机标签
深度学习 其他深度学习结构 定量预测/回归分析 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 蛋白质与氨基酸猪肉面糊的质量对其成品有着重大影响。在此研究中，我们探索了利用拉曼光谱技术结合深度学习算法来快速检测猪肉面糊的质量，并揭示在加热过程中质量变化的机制。结果表明，加热增加了β-折叠含量（从26.38%增加到41.42%），并暴露了隐藏的疏水基团，这些基团通过化学键形成聚集物。主要的疏水相互作用进一步将这些聚集物交联起来，在80°C时形成了更均匀、更致密的网络。随后，比较使用了卷积神经网络（CNN）、长短期记忆神经网络（LSTM）和CNN-LSTM 来根据拉曼光谱预测面糊的凝胶强度和白度。其中，CNN-LSTM 在凝胶强度（Rp = 0.9515，RPD = 3.1513）和白度（Rp = 0.9383，RPD = 3.0152）方面提供了最佳结果。因此，本研究展示了拉曼光谱技术结合深度学习算法作为非破坏性工具预测猪肉面糊质量并阐明质量变化机制的潜力。
-
通过分析淀粉颗粒形态的神经网络实现面粉类型的自动验证以确保“加利西亚面包”原产地保护标志
查看原文
2024
Food Control
中科院一区JCR一区
Xosé R. Fdez-Vidal, Nerea Fernández-Canto, María Ángeles Romero-Rodríguez, Ana María Ramos-Cabrer, Santiago Pereira-Lorenzo, & Matilde Lombardero-Fernández
计算机标签
深度学习 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
碳水化合物配料 品质、结构与理化性质 显微与成像技术面粉的质量管控是保障其制成品面包品质的关键环节。本研究提出一种基于淀粉颗粒形态特征的面粉质量控制方法。对于致力于生产 “加利西亚面包” 这一受保护地理标志（PGI）产品的生产商而言，利用显微图像实现面粉中各类谷物淀粉颗粒的自动化识别、分割及平均粒径测定，是一项不可或缺的核心工序。若由专业技术人员人工完成此项识别与计数工作，不仅过程繁琐，还需耗费大量时间。因此，实现该任务的自动化，除大幅节省时间成本外，更可显著提升整体工艺流程的效率。本文首次采用深度学习方法（掩码区域卷积神经网络，Mask R-CNN），开展淀粉颗粒的种类判定及粒径预测研究。研究人员使用此前人工识别计数时所用的原始偏振光显微图像，对训练完成的模型进行性能验证。本研究分析的数据集包含 1308 张分辨率为 2564×1924 像素的显微图像，图像中标注了两种小麦的 17000 个淀粉颗粒 —— 分别为卡斯蒂利亚商用小麦粉（0 类）和加利西亚本土小麦粉 “卡阿韦罗”（1 类），且两类样本的数量大致相当。基于 Mask R-CNN 的实例分割模型（模型 Ⅱ）在未知图像检测中表现出良好性能：其分类总体准确率约为 88.6%，淀粉颗粒面积的测定结果与专业人员人工估算值的偏差小于 4%。Mask R-CNN 模型所实现的检测效果，与专业人员人工分析结果呈现高度相关性，充分验证了本研究提出方法的实际应用价值。
