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 364 条结果
-
使用配备机器学习的紧凑型自动化拉曼光谱系统检测研磨玉米中的黄曲霉毒素
查看原文
2023
Current Research in Food Science
中科院一区JCR一区
Yong-Kyoung Kim, Jianwei Qin, Insuck Baek, Kyung-Min Lee, Sung-Youn Kim, Seyeon Kim, Diane Chan, Timothy J. Herrman, Namkuk Kim & Moon S. Kim
计算机标签
偏最小二乘法 支持向量机 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
玉米 微生物安全 光谱/色谱/质谱等分析方法人类或牲畜食用被黄曲霉毒素污染的食物可能会导致严重疾病。由于这种霉菌毒素常出现在谷类和其他农作物中，因此开发可在收获或加工早期阶段用于无损、实时识别受黄曲霉毒素污染的食品原料的便携式设备至关重要。在本研究中，开发了一种可在现场使用的基于小型拉曼设备的黄曲霉毒素检测方法。研究数据来自自然受黄曲霉毒素污染的玉米样本，并采用机器学习方法对数据进行分析。在评估的多种分类模型（如线性判别分析（LDA）、线性支持向量机（LSVM）、二次判别分析（QDA）、二次支持向量机）和光谱预处理方法中，将线性判别分析（LDA）与Savitzky-Golay二阶导数（SG2）预处理相结合时，分类准确率最高，达到95.7%。偏最小二乘回归（PLSR）模型在标准正态变量（SNV）和多元散射校正（MSC）预处理方法范围内表现出较近的准确性，其中SNV的决定系数R2C和R2V分别为0.9998和0.8322，MSC的决定系数R2C和R2V分别为0.9916和0.8387。本研究表明，小型自动化拉曼光谱技术结合化学计量学和机器学习方法，有望成为在现场加工地点快速筛查食品和饲料中有害物质的工具。
-
一种利用荧光高光谱成像预测油菜籽叶铅含量的深度学习方法
查看原文
2023
Food Chemistry
中科院一区JCR一区
Xin Zhou, Chunjiang Zhao, Jun Sun, Yan Cao, Kunshan Yao & Min Xu
计算机标签
支持向量机 其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 化学污染物本研究旨在构建一种融合小波变换（WT）与堆叠降噪自编码器（SDAE）的深度学习方法，用于提取油菜叶片重金属铅（Pb）检测的深层特征。首先，确定标准正态变量变换（SNV）算法为最优预处理算法，并采用经SNV处理后的荧光光谱数据开展后续数据分析；其次，利用小波变换对经SNV预处理的油菜叶片荧光光谱进行分解，通过不同小波基函数确定最优小波分解层数，并在最优小波分解层数下采用堆叠降噪自编码器完成深层特征学习；最后，选用sym7小波基函数构建支持向量机回归（SVR）最优模型，其预测集决定系数$R_p^2$、预测均方根误差RMSEP及相对分析误差RPD分别为0.9388、0.0199毫克/千克、3.275。本研究结果证实，荧光高光谱技术结合深度学习算法在重金属检测领域具备巨大应用潜力。
-
利用光谱方法与机器学习模型区分饲喂不同水平蚕蛹粉的鹌鹑所产食用蛋
查看原文
2023
Food Control
中科院一区JCR一区
Ilaria Lanza, Sarah Currò, Severino Segato, Lorenzo Serva, Marco Cullere, Paolo Catellani, Luca Fasolato, Daniela Pasotto, & Antonella Dalle Zotte
计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
蛋类及其制品 食品安全与风险评估 光谱/色谱/质谱等分析方法本研究旨在评估可见 / 近红外（VIS/NIR）及近红外（NIR）光谱仪对饲喂不同添加量家蚕（Bombyx mori L.）蛹粉（SWM）的鹌鹑鲜蛋的鉴别能力。试验设置 4 个实验组，产蛋鹌鹑饲喂含 0%、4%、8% 和 12% 家蚕蛹粉的日粮，试验周期为 8 周。试验第 7 周采集 120 枚鹌鹑蛋（每组 30 枚）作为训练集，用于构建基于光谱技术的分类模型；试验结束时采集第二批鹌鹑蛋（48 枚）作为独立测试集，以验证分类模型的可靠性。研究采用一台台式光谱仪与两台便携式光谱仪采集训练集样品的可见 - 近红外及近红外光谱数据，随后通过随机森林（RF）算法进行特征波长筛选。筛选得到的近红外特征波长被用于构建以下监督分类模型：偏最小二乘判别分析（PLS-DA）、K 近邻算法（KNN），以及线性核函数和径向基核函数支持向量机（SVM）。基于筛选出的特征波长构建的随机森林预测模型被用于独立测试集验证，并通过混淆矩阵评估模型可靠性。结果显示，受试可见 / 近红外及近红外光谱仪对鹌鹑蛋饲喂组别的预测能力中等，这可能与各组间家蚕蛹粉添加量差异相对较小有关。将添加量为 4%~12% 的家蚕蛹粉实验组合并后，台式近红外光谱仪与便携式近红外光谱仪结合先进机器学习模型，均成功实现了对日粮中添加昆虫源蛋白的鹌鹑蛋的识别，模型准确率均高于 0.90。相比之下，便携式可见 - 近红外光谱仪的预测性能较差，准确率低于 0.73。具有显著鉴别价值的近红外特征波长集中在 1350~1600 nm 和 1850~2200 nm 光谱区间。从模型准确率来看，K 近邻算法（KNN）和支持向量机（SVM）模型的性能优于偏最小二乘判别分析（PLS-DA）模型。研究结果表明，便携式近红外光谱仪与台式近红外光谱仪的分类准确率相当，凸显了便携式近红外光谱仪在饲喂家蚕蛹粉的产蛋鹌鹑蛋在线监测中的应用潜力。
-
应用机器学习与¹H NMR化学指纹图谱鉴定红茶的产地、品种和加工方式
查看原文
2023
Food Control
中科院一区JCR一区
Chuanjian Cui, Yifan Xu, Ge Jin, Jianfa Zong, Chuanyi Peng, Huimei Cai, & Ruyan Hou
计算机标签
机器学习/统计学习 支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质红茶的产地会影响其商品价值，且该品类极易成为食品欺诈的目标。本研究采用核磁共振（NMR）波谱技术，对采自中国（安徽、云南、福建、广东）、印度（大吉岭、阿萨姆）及斯里兰卡（康提）7 个红茶主产区的 219 份样品开展非靶向代谢组学分析。不同产地的红茶可依据茶树品种与加工工艺加以区分，其中咖啡因与丙氨酸被鉴定为品种差异性特征代谢物，茶黄素 - 3,3'- 双没食子酸酯与琥珀酸则为加工工艺差异性特征代谢物。研究采用多种机器学习算法构建红茶产地溯源模型，测试集准确率结果显示，非线性模型随机森林（92.7%）与支持向量机（91.8%）的鉴别性能优于线性模型线性判别分析（86.3%）与 K 近邻算法（86.3%）。随机森林模型筛选出 14 种红茶产地特征标记代谢物，包括咖啡因、苹果酸、赖氨酸及 β- 葡萄糖，并基于这些标记物绘制出产地化学指纹图谱。进一步验证表明，相较于加工工艺，茶树品种对红茶产地代谢指纹图谱的贡献度更高。本研究结果证实，氢核磁共振（¹H NMR）代谢组学技术结合机器学习方法，可作为构建红茶化学指纹图谱的有效工具，为红茶品质评估与产地欺诈检测提供技术支撑。
-
利用太赫兹时域光谱法，在微波真空干燥牛肉和胡萝卜片期间，实时测量水分含量的现场间接测量
查看原文
2023
Food Chemistry
中科院一区JCR一区
Yuqiao Ren, Tong Lei & Da-Wen Sun
计算机标签
支持向量机 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 新鲜蔬菜 其他品质相关性质 过程监测与在线检测 常规理化指标测定 光谱/色谱/质谱等分析方法水分含量（MC）是食品干燥加工过程中的一项关键品质指标，但在加工过程中对产品动态水分含量进行原位无损检测仍存在较大挑战。本研究基于太赫兹时域光谱技术（THz-TDS），建立了一种原位间接检测方法，用于微波真空干燥（MVD）过程中食品水分含量的实时预测。在微波真空干燥过程中，太赫兹时域光谱仪通过聚乙烯气管持续采集干燥装置内动态水汽的太赫兹信号。对采集到的太赫兹光谱进行预处理后，分别采用支持向量回归、高斯过程回归与集成回归算法构建水分损耗预测校正模型，并依据水分损耗预测值计算样品实时水分含量。牛肉片与胡萝卜片的最优实时水分含量预测模型决定系数$R^2$达0.995，均方根误差RMSE为0.0162，剩余预测偏差RDP为22。该检测系统为微波真空干燥过程的干燥动力学研究提供了新方法，同时拓宽了太赫兹时域光谱技术在食品行业的应用范围。
