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 291 条结果
-
基于卷积神经网络和多项式校正的反射光谱技术用于食用植物油中山嵛酸的测定
查看原文
2022
Food Chemistry
中科院一区JCR一区
Shizhuang Weng, Zhaojie Chu, Manqin Wang, Kaixuan Han, Gongqin Zhu, Cunchuan Liu, Xinhua Li & Linsheng Huang
计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 定量预测/回归分析食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究提出一种新型多项式校正方法 ——阶数自适应多项式校正法（OAPC），用于校正存在操作人员差异的反射光谱，并结合卷积神经网络（CNN）构建分析模型，实现食用油脂中山嵛酸含量的预测。采用 OAPC 校正后，CNN 模型表现优异，校正决定系数（Rcor2）达 0.8843，校正均方根误差（RMSEcor）为 0.1182，性能优于同经 OAPC 校正的偏最小二乘回归、支持向量回归、随机森林模型，以及未采用 OAPC 校正的各类模型。通过自助软收缩法、随机蛙跳算法与皮尔逊相关系数联合筛选出 16 个有效波长，在此基础上结合 CNN 与 OAPC，模型效果进一步提升，校正决定系数达 0.9560，校正均方根误差降至 0.0730。同时，Kennard-Stone 算法仅需选取 5% 的校正样本即可满足 OAPC 使用要求。综上，该方法可有效减弱操作人员差异对光谱分析的干扰，为校正仪器测量差异或环境差异提供了可行方案。
-
基于代谢组学和深度学习的李斯特菌快速识别新方法研究
查看原文
2022
Food Control
中科院一区JCR一区
Ying Feng, Zhangkai J. Cheng, Xianhu Wei, Moutong Chen, Jumei Zhang, Youxiong Zhang, Liang Xue, Minling Chen, Fan Li, Yuting Shang, Tingting Liang, Yu Ding, & Qingping Wu
计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定食品标签
微生物安全 光谱/色谱/质谱等分析方法基于质谱技术的代谢组学可作为检测致病菌与腐败微生物的技术平台。然而，利用质谱对低分子量生物标志物进行准确定量时，通常受限于同位素标记标准品的依赖及繁琐的实验流程，不利于该技术的规模化应用。本研究开发了一种将代谢组学与深度学习相结合的新方法，用于单核细胞增生李斯特菌的鉴定。研究针对单核细胞增生李斯特菌的三种潜在生物标志物构建卷积神经网络（CNN）模型，模型预测准确率达 82.2%。此外，通过拟靶向代谢组学技术获得包含 29 种代谢物的代谢指纹图谱，借助层次聚类分析，该图谱可成功区分 6 种常见李斯特菌菌株。研究进一步构建用于鉴别单核细胞增生李斯特菌及常见致病菌的 CNN 二分类与多分类模型，其预测准确率分别为 96.7% 和 96.3%。综上，这种结合拟靶向代谢组学与深度学习的新型方法，有望成为致病菌鉴定与分类领域的高效检测工具。
-
基于高光谱成像和注意力卷积神经网络的单粒玉米油含量预测
查看原文
2022
Food Chemistry
中科院一区JCR一区
Liu Zhang, Dong An, Yaoguang Wei, Jincun Liu & Jianwei Wu
计算机标签
卷积神经网络 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
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究提出一种基于注意力机制（A）的卷积神经网络回归（CNNR）模型，记为ACNNR，结合高光谱成像技术实现单粒玉米籽粒含油率的预测。研究过程中，采用反射式高光谱成像（HSI）系统采集单粒玉米籽粒胚面与非胚面的高光谱图像，对比了无注意力机制的 CNNR、ACNNR 及偏最小二乘回归（PLSR）三种模型的性能。针对 PLSR 模型，通过一系列光谱预处理与降维方法，最终确定最优的组合式 PLSR 模型；而 CNNR 与 ACNNR 模型仅以原始光谱作为输入。结果表明，胚面光谱更适用于构建回归预测模型；注意力机制可有效降低预测误差，使 ACNNR 模型表现最优，其预测决定系数达0.9198。综上，本研究提出的方法无需对原始光谱进行额外处理，且预测效果优良。
-
基于计算机视觉实现奶粉中三聚氰胺的单位数ppm级定量检测
查看原文
2022
Food Control
中科院一区JCR一区
Sandra Pradana-López, Ana M. Pérez-Calabuig, John C. Cancilla, Laura Otero, & José S. Torrecilla
计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据食品标签
乳粉 食品安全与风险评估 显微与成像技术本研究建立了一种可对三种不同品牌奶粉中三聚氰胺含量进行定性检测与定量分析的方法，该方法基于图像数据库训练卷积神经网络（CNN）实现目标检测。所选的三款奶粉分属不同品牌，不仅脂肪含量存在差异，其目标消费群体也按年龄段划分。研究通过精准称重的方式向奶粉中添加微量三聚氰胺制备掺假样本，同时纳入了被认定为 “无三聚氰胺” 的空白样本 。实验共采集 3100 张样本图像用于卷积神经网络模型训练（每组待分类样本对应 100 张图像），并具体采用 残差网络 34 层模型（ResNet34） 架构开展分类任务。在该深度学习方案中，样本图像被随机划分为两个部分：90% 的图像用于卷积神经网络的训练与验证阶段，剩余 10% 作为盲测集。优化后的模型在验证阶段的总体分类准确率达 98.7%，盲测阶段的误判率仅为 3.0%。这一结果表明，该方法可作为乳制品行业一种高效的品质与安全管控手段。
-
利用卷积神经网络结合傅里叶变换近红外光谱预测食品掺假：以咖啡为例
查看原文
2022
Food Control
中科院一区JCR一区
Swathi Sirisha Nallan Chakravartula, Roberto Moscetti, Giacomo Bedini, Marco Nardella, & Riccardo Massantini
计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
咖啡饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法食品掺假行为对食品供应链造成负面影响，食品召回事件更是对供应链的可持续性及消费者的食品安全信任度构成严峻挑战。咖啡作为一种具有重要经济价值的大宗商品，常因经济利益驱动而被掺假，因此亟需快速可靠的检测技术。在各类溯源检测技术中，光谱技术已取得可观的商业化应用成效，但该技术的性能高度依赖人工设计的特征变量。鉴于此，本研究旨在对比评估深度化学计量学方法（即卷积神经网络，CNN） 与传统化学计量学方法（即偏最小二乘法，PLS；以及区间偏最小二乘法，iPLS） 在咖啡掺假物含量定量检测中的可行性。实验以商用浓缩咖啡为基底，分别掺入菊苣、大麦及玉米粉作为掺假成分，掺假比例设置为 0~25%（质量分数），并对所有样品进行傅里叶变换近红外光谱（FT-NIR）分析。结果证实，基于傅里叶变换近红外光谱数据的卷积神经网络算法可实现掺假物含量的精准定量，模型拟合度优异（R 2 >0.98）。进一步研究表明，结合数据增强技术（DA），并辅以自动标度化（AS）和 / 或标准正态变量变换（SNV）预处理的卷积神经网络模型，展现出更优的预测性能：其预测集均方根误差（RMSEP）介于 0.76%~0.82%，预测偏差（BIASP）介于−1.00×10 −2%~−1.00×10 −1%；相比之下，针对相同掺假物的偏最小二乘法及区间偏最小二乘法模型，预测集均方根误差范围为 0.72%~3.045%，预测偏差范围为−7.98×10 −2%~8.63×10 −2%，前者性能与之相当甚至更优。本研究表明，在光谱技术应对食品掺假问题的实时检测应用中，深度学习算法无需或仅需少量人工参与特征提取，有望成为传统检测方法的潜在替代方案。
