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 1098 条结果
-
基于挥发性化合物谱的橄榄油品种认证：HS-SPME-GC-MS与化学计量学方法的应用研究
查看原文
2022
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 分类/鉴别/等级评定食品标签
植物油 质量管理与追溯系统 光谱/色谱/质谱等分析方法初榨橄榄油（VOO）的感官特性对消费者偏好具有显著影响。而这些特性同样受橄榄原料品种来源的制约，因此，建立一套可靠的初榨橄榄油品种溯源方法就显得尤为必要。然而，目前针对全球广泛种植的橄榄品种，仍缺乏能够有效区分其对应初榨橄榄油的鉴别手段，难以切实保障消费者与生产者的权益，杜绝掺假欺诈行为。
本研究旨在构建化学计量学模型，实现对 9 个主流橄榄品种的单品种初榨橄榄油的精准判别。研究采用经验证的顶空固相微萃取 - 气相色谱 - 质谱联用技术（HS-SPME-GC-MS），对来自 4 个产季、多个产区的 320 份单品种初榨橄榄油样品中的 72 种挥发性化合物进行定量分析。
通过方差分析（ANOVA）筛选出具有品种鉴别能力的挥发性有机化合物（VOCs），其中大部分均属于脂氧合酶代谢途径产物。所构建的偏最小二乘判别分析（PLS-DA）模型经验证表现优异，外部验证后的正确分类率高达 95.9%。研究进一步借助凝聚层次聚类法与相关性分析，将 9 个橄榄品种划分为 3 个类群；利用线性判别分析（LDA）与偏最小二乘判别分析模型对这 3 个类群进行分类验证，正确分类率达 94%。
研究结果表明，不同品种初榨橄榄油的挥发性成分特征并非完全独立，特定品种组间呈现出显著的相似性，且这种相似性与原料的地理来源无关。综上，本研究建立的鉴别方法有助于打击初榨橄榄油市场的掺假欺诈行为，同时对提升单品种特级初榨橄榄油的市场价值具有重要意义。 -
基于便携式近红外光谱仪对麝香章鱼和普通章鱼原产地标签的监测研究
查看原文
2022
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 支持向量机 随机森林 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
鱼肉 质量管理与追溯系统 光谱/色谱/质谱等分析方法基于小型化便携式近红外（NIR）光谱仪的现代分析技术，因满足快速、环保、经济高效且操作简便的检测要求，特别适用于水产品的真实性鉴别。
本研究旨在验证便携式超紧凑型近红外光谱仪结合机器学习技术，对两种章鱼品种进行产地溯源的适用性。实验采集了 118 份麝香章鱼样本与 29 份普通章鱼样本（分别隶属麝香章鱼属与普通章鱼）的近红外光谱（光谱范围 908.1–1676.2 nm），这些样本均源自葡萄牙大西洋海域与西班牙地中海海域。研究人员对光谱数据进行重复采集、预处理后，分别采用正交偏最小二乘判别分析（OPLS-DA）、逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）及多层感知器人工神经网络（MLP-ANN）五种分类算法开展数据分析。
以 75% 的样本数据进行 7 折交叉验证，结果显示：线性分析工具（正交偏最小二乘判别分析与逻辑回归） 在两种章鱼的产地识别中表现出最优的性能与稳定性，其平均灵敏度、特异度、准确率及精密度均高于 98%。在外部验证阶段，正交偏最小二乘判别分析、支持向量机与多层感知器人工神经网络对普通章鱼的产地判别效果更优；而逻辑回归与多层感知器人工神经网络则更适用于麝香章鱼的产地鉴别。
研究结果表明，便携式近红外光谱技术与机器学习的联用，有望成为构建一体化分析平台的可行方案。该平台具备自动化数据采集、处理与报告功能，可助力水产品的现场检测与在线监测工作。 -
基于矿物元素分析和机器学习技术的中国不同地区红沼虾地理起源鉴别研究
查看原文
2022
Food Control
中科院一区JCR一区
计算机标签
支持向量机 深度学习 分类/鉴别/等级评定食品标签
甲壳类 质量管理与追溯系统 光谱/色谱/质谱等分析方法 矿物质与微量元素为探究机器学习辅助矿物元素分析技术在克氏原螯虾（俗称小龙虾）产地溯源中的应用前景，并构建其产地溯源模型，本研究采用电感耦合等离子体质谱法（ICP-MS），测定了源自安徽、湖南、湖北三省的克氏原螯虾肌肉组织中铜（Cu）、锌（Zn）、镓（Ga）、砷（As）、硒（Se）、铷（Rb）、锶（Sr）、钼（Mo）等 24 种矿物元素的含量。
研究通过主成分分析（PCA）筛选出 10 种特征元素，将其纳入线性判别分析（LDA），建立了克氏原螯虾产地判别模型，验证了矿物元素指纹图谱技术用于我国上述三省克氏原螯虾产地溯源的可行性。
为进一步提升判别性能，本研究结合支持向量机（SVM）、前馈神经网络（FNN）和反向传播神经网络（BPNN）三种机器学习分类算法，基于矿物元素含量数据对不同产地的克氏原螯虾进行分类。结果显示，前馈神经网络（FNN）与反向传播神经网络（BPNN）模型的训练判别准确率均达 100%，交叉验证准确率分别为 91.88% 和 93.13%，受试者工作特征曲线下面积（AUC）均接近 1。由此可见，前馈神经网络（FNN）与反向传播神经网络（BPNN）模型的综合性能优于支持向量机（SVM）。
综上，研究结果表明，矿物元素分析结合神经网络模型在克氏原螯虾产地溯源中具有显著优势与应用潜力。 -
紧凑型近红外分光光度计结合多元数据分析评估烘焙咖啡特性的可行性研究
查看原文
2022
Food Control
中科院一区JCR一区
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
咖啡饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究采用多变量分析方法，对两台低成本小型近红外（NIR）分光光度计的性能展开评估，旨在检测商用烘焙研磨咖啡的多项品质指标。这两台仪器的光谱检测范围不同，分别为 900–1700 nm 与 1300–2500 nm，且搭载的分光技术亦不相同。
实验所用的综合样本集包含 145 份咖啡样品，其原料来源、品种配比（阿拉比卡纯品、阿拉比卡与阿拉比卡拼配、阿拉比卡与罗布斯塔拼配）、脱因处理与否均存在差异；据生产企业提供的信息，这些样品的多项感官品质指标（苦味、醇厚度、酸度、酒体感及烘焙度）也呈现出不同等级。研究人员借助一款可驱动样品瓶进行旋转与直线位移的探测装置，采集到了各样本的代表性光谱数据。
为验证两台仪器的判别能力，研究基于光谱数据集构建了主成分分析（PCA）模型。结果显示，当两台紧凑型仪器的主成分分析均计算至第四主成分时，不同产地、品种、脱因及常规咖啡样品在主成分得分图中实现了有效聚类与清晰区分，且同一品牌咖啡的不同批次间差异亦能被识别。
研究进一步构建偏最小二乘（PLS）回归定量模型，以评估小型分光光度计检测咖啡样品醇厚度、苦味、酒体感、烘焙度及酸度指标的可行性。通过 Jack-Knife 算法筛选变量后，基于 NanoNIR 与 NeoSpectra 两台仪器的数据集所建立的偏最小二乘模型，对各项感官指标预测的外部验证均方根误差分别为：醇厚度 1.3 与 1.2、苦味 0.7 与 0.7、酒体感 0.6 与 0.5、烘焙度 0.5 与 0.5、酸度 0.8 与 0.7。此外，采用限定样本集构建局部回归模型，可进一步提升定量分析结果的准确性。
综上，研究结果表明，低成本小型近红外分光光度计具备对商用烘焙研磨咖啡进行定性与定量表征的潜力；相较之下，搭载傅里叶变换技术且光谱检测范围更全面的仪器，性能表现略占优势。 -
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
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。
