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
-
基于红菜花青素的鱼新鲜度预测标签研究
查看原文
2022
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
鱼肉 品质、结构与理化性质 包装与智能监测 显微与成像技术近年来，可精准评估食品新鲜度的生物安全型比色标签已成为研究热点。本研究将紫甘蓝花青素标签与反向传播（BP）神经网络相结合，构建了一套鱼肉新鲜度监测系统。
实验以从紫甘蓝中提取的花青素作为显色响应色素，以羧甲基壳聚糖 / 氧化海藻酸钠（CMCS/OSA）为固相基质，将二者分散于硅溶胶中，通过丝网印刷法制备得到比色标签。该标签摒弃了传统比色卡比对的方法，可直接通过手机识别以获取食品新鲜度信息。
在鱼肉贮藏过程中，花青素会随环境 pH 值变化产生响应，驱动标签呈现出连续的颜色梯度变化。由于计算机对色彩变化的敏感度远高于人眼，研究人员根据鱼肉新鲜度等级将标签划分为三类。利用带有标注信息的紫甘蓝花青素标签图像训练 BP 神经网络，模型对鱼肉新鲜度的预测总体准确率达 92.6%。
将该 BP 神经网络整合至智能手机应用程序中，即可构建一套操作简便的检测系统，实现比色标签的快速扫描与鱼肉新鲜度的实时判定。该系统可应用于食品供应链全流程的质量管控。 -
矿物油芳香烃从纸板容器迁移到干燥食品及其预测工具研究
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/回归分析食品标签
谷物/块根/豆与坚果类 食品安全与风险评估本研究旨在以 16 种芳香烃作为模型物质，探究矿物油芳香烃（MOAH）从纸质初级包装向干燥食品的迁移规律；所选模型物质涵盖了广泛的分子量范围与多样的化学结构。
迁移实验采用改性聚苯醚作为食品模拟物，同时以蒸粗麦粉和玉米粥作为干燥食品代表。实验设计模拟了两种场景：一是室温条件下的长期储存，二是热食盛装的极端劣变工况。
研究运用多变量分析算法，对模型物质的迁移行为进行相关性分析与聚类分组，并构建偏最小二乘回归（PLSR）模型，实现极端工况下迁移量的预测。
结果表明：模型物质的迁移规律与其挥发性、食品基质特性、迁移时间及温度呈现显著相关性；低挥发性物质与高挥发性物质的迁移行为存在明显差异。 -
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
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。 -
利用高光谱成像的有效波长单色图像结合架构自搜索深度网络检测赤霉病损伤小麦籽粒
查看原文
2022
Food Control
中科院一区JCR一区
计算机标签
深度学习 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
小麦 食品安全与风险评估 光谱/色谱/质谱等分析方法遭受镰刀菌穗枯病（Fusarium head blight, FHB）侵染的小麦籽粒会出现水分、蛋白质及淀粉流失，同时携带有害毒素。对小麦籽粒的病害损伤程度进行分级判别，有助于实现籽粒的分等定级精准利用，降低经济损失，保障粮食安全。
本研究探索将高光谱成像技术（HSI）与深度学习网络相结合，用于区分健康小麦籽粒以及轻度、中度和重度病损的小麦籽粒。研究通过 ReliefF 算法、无信息变量消除法、随机蛙跳算法及混合蛙跳算法四种方法，从高光谱图像的反射光谱数据中筛选有效波长（EWs）；并基于不同有效波长组合构建的单波段图像，结合网络架构自搜索深度网络（ASSDN） 构建病害分级判别模型。
结果显示，采用 941 nm、876 nm 和 732 nm 三个波长组合的图像输入 ASSDN 模型时，判别效果达到最优 —— 训练集平均准确率为 100%，预测集平均准确率为 98.31%，性能优于其他波长组合图像及建模方法；模型的平均曲线下面积（AUC）达 0.9985，表明其具备优异的稳健性。
利用离散特征波长图像进行建模，可显著降低模型的计算复杂度与运行成本，且便于研发简易的定制化检测设备，实现镰刀菌穗枯病病损小麦籽粒的现场快速识别。同时，ASSDN 网络能够自主生成并优化高性能分类网络，兼具易用性，大幅拓展了深度学习网络在粮食检测领域的应用潜力。 -
利用高光谱成像结合优化算法快速评估滩羊肉质构参数
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 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法肉品质构检测具有重要应用价值，因其是影响消费者购买决策的关键因素。本研究采用高光谱成像技术（HSI） 测定滩羊肉的质构参数。为探究不同冷藏时长对羊肉光谱数据及建模效果的影响，实验采集了滩羊肉样本在900~1700 nm 波段范围内的高光谱图像，并构建滩羊肉质构参数的校正模型。
研究基于四种特征波段筛选算法 —— 区间变量迭代空间收缩法（iVISSA）、竞争性自适应重加权采样法（CARS）、连续投影算法（SPA）及变量组合种群分析法（VCPA）筛选特征波长，结合偏最小二乘回归（PLSR）、最小二乘支持向量机（LSSVM）、随机森林（RF）和决策树（DT）四种机器学习算法，建立光谱预测模型。
结果显示，LSSVM-iVISSA-CARS 组合模型在硬度与胶着度预测中表现优异，其预测集均方根误差（RMSEP）分别为 5.259 和 3.051，预测集决定系数（Rp2）则分别达 0.986 和 0.984；LSSVM-iVISSA-SPA 组合模型在咀嚼度预测中同样效果显著，对应的Rp2为 0.987，RMSEP 为 4.970。
综上，高光谱成像技术具备滩羊肉质构参数检测与预测的应用潜力。
