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
-
使用卷积神经网络的高光谱图像分类：在工业食品包装中的应用
查看原文
2021
Food Control
中科院一区JCR一区
Leandro D. Medus, Mohamed Saban, Jose V. Francés-Víllora, Manuel Bataller-Mompeán, & Alfredo Rosado-Muñoz
计算机标签
卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
新材料/包装与接触材料 食品安全与风险评估 光谱/色谱/质谱等分析方法在食品托盘包装过程中，可能会因异物混入而造成污染。因此，在包装工序中及时检测出异常品，对不合格托盘进行剔除，避免其流入消费环节，至关重要。本研究以热封食品托盘为对象，将卷积神经网络（CNN） 作为分类器，结合高光谱成像系统开展实时食品包装检测，验证了该技术用于在线分类的可行性。实验采用高光谱相机采集单个食品托盘的图像信息，并将其输入卷积神经网络分类器，以识别存在异物污染的不合格托盘。该检测系统可识别多达 11 种不同类型的污染物（如塑料、橡胶等），一旦检测出不合格托盘，便会将其从自动化生产线中剔除。研究构建了包含各类缺陷样本与正常样本的专用数据库，并针对卷积神经网络的网络结构及模型训练环节，提出了多种优化方案。实验结果表明，系统的综合缺陷检测准确率可达 94% 以上。此外，分类流程具备灵活性，可根据工厂实际需求进行参数调整：既可以对模型进行优化以实现检测准确率最大化，也可以通过改进漏检率（FOR） 指标来确保所有潜在缺陷品均被筛除。本研究还对不同类型的缺陷进行了分析，明确了系统对部分缺陷类型检测的局限性。最终，该算法被成功集成至生产线自动化控制系统中。测试结果显示，单托盘检测的总运算时间为 70~105 毫秒（具体时长取决于为每个托盘选定的成像通道数量），这使得生产线的最大运行速度可达14 个食品托盘 / 秒。
-
应用电子舌结合深度学习与迁移学习技术鉴别普洱茶贮藏时间
查看原文
2021
Food Control
中科院一区JCR一区
Zhengwei Yang, Nan Miao, Xin Zhang, Qingsheng Li, Zhiqiang Wang, Caihong Li, Xia Sun, & Yubin Lan
计算机标签
卷积神经网络 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
茶/茶饮料 食品安全与风险评估普洱茶是我国著名的发酵茶，其品质与风味和发酵陈化的贮藏时长密切相关。本研究提出一种基于伏安型电子舌（VE-Tongue）结合深度学习与迁移学习技术的普洱茶年份鉴别方法。为使深度学习模型适配伏安型电子舌信号的处理需求，研究构建了一维卷积神经网络（1-D CNN），用于自动完成特征提取与分类任务。同时引入迁移学习（TL）策略开展模型训练，以降低训练复杂度，提升卷积神经网络的泛化能力。为验证所提模型的性能，研究将其与反向传播神经网络、支持向量机、极限学习机等传统机器学习方法进行对比。结果表明，该模型在普洱茶年份分类任务中的表现优于其他方法，其测试集准确率达 98.80%，精确率为 98.2%、召回率为 98%、F1 值为 0.98。本研究证实，伏安型电子舌结合深度学习与迁移学习算法的技术方案，可作为一种灵敏、可靠且高效的检测手段，实现对普洱茶贮藏年份的精准鉴别，该方法未来可进一步拓展应用于其他相关领域。
-
基于热成像和卷积神经网络的碎羊肉掺假猪肉分类与定量检测
查看原文
2021
Food Control
中科院一区JCR一区
Minchong Zheng, Yaoxin Zhang, Jianfeng Gu, Zongxiu Bai, & Rongguang Zhu
计算机标签
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
畜肉 食品安全与风险评估 显微与成像技术本研究提出一种 基于热成像技术结合卷积神经网络（CNN） 的羊肉糜掺假定性鉴别与定量检测新方法，该方法兼具可靠性与实用性。首先，研究采集了 35 份纯羊肉样品、35 份纯猪肉样品，以及 175 份不同掺假比例的羊肉糜样品（羊肉糜中猪肉掺入比例梯度为 10%、20%、30%、40%、50%）在连续加热过程中的热成像视频。其次，提取加热速率较快阶段的热成像图像，获取图像中感兴趣区域（ROI）的特征信息，并基于这些信息构建卷积神经网络定性分类模型与定量预测模型。在模型构建过程中，通过参数对比试验优化确定了模型的学习率与小批量样本数。最终，本研究确定采用 Softmax 分类器的卷积神经网络模型作为最优定性分类模型，实现对纯羊肉、掺假羊肉糜及纯猪肉样品的精准判别；同时确定采用回归函数的卷积神经网络模型作为最优定量预测模型，实现对猪肉掺假比例的准确测算。结果表明：所构建的卷积神经网络定性分类模型，其验证集准确率达 99.97%，测试集准确率达 99.99%；定量预测模型的验证集决定系数R2、均方根误差（RMSE）、相对预测偏差（RPD）分别为 0.9933、0.0251、12.2487，测试集对应指标分别为 0.9933、0.0252、12.2387。综上，热成像技术结合卷积神经网络的方法，在不同样品的定性鉴别及掺假比例的定量检测方面均取得优异效果。该方法兼具经济性与便捷性，在掺假食品的检测与监管领域具有广阔的应用前景。
-
利用热成像技术对大米和米粉进行卷积系统设计以确保质量与安全
查看原文
2021
Food Control
中科院一区JCR一区
Leidy V. Estrada-Pérez, Sandra Pradana-López, Ana M. Pérez-Calabuig, María Luz Mena, John C. Cancilla, & José S. Torrecilla
计算机标签
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
谷物/块根/豆与坚果类 食品安全与风险评估 显微与成像技术本研究采用热成像相机结合智能算法，实现了对五种不同品类稻米（Oryza sativa L.）的籽粒及粉末形态分类，并可检测以不同稻米混配形式存在的掺假样品。实验共采集 63,000 余份纯稻米（粳稻与籼稻）及其混配样品的热成像图像，将这些图像用于训练和验证一套基于深度学习技术（卷积神经网络）的分析系统，以完成稻米品类分类及掺假检测任务。研究结果表明，认知建模与热成像分析相结合的技术方案，可实现稻米品类的精准分类及潜在掺假的有效识别，准确率均超过 98%。上述优异的实验结果证实，该技术工具可切实应用于食品掺假溯源、品质管控及公共安全保障等领域。
-
差示扫描量热法结合机器学习技术：一种测定牛奶真实性的有效方法
查看原文
2021
Food Control
中科院一区JCR一区
Juliana S. Farah, Rodrigo N. Cavalcanti, Jonas T. Guimarães, Celso F. Balthazar, Pablo T. Coimbra, Tatiana C. Pimentel, Erick A. Esmerino, Maria Carmela K.H. Duarte, Mônica Q. Freitas, Daniel Granato, Roberto P.C. Neto, Maria Inês B. Tavares, Verônica Calado, Marcia C. Silva, & Adriano G. Cruz
计算机标签
随机森林 卷积神经网络 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
液态乳 食品安全与风险评估 理化与结构表征本研究采用差示扫描量热法（DSC）结合机器学习工具（随机森林、梯度提升机、多层感知器，即 RF、GBM、MLP），建立生牛乳掺假检测方法，可实现对甲醛、乳清、尿素及淀粉类掺假物质的鉴别。掺假样品的差示扫描量热曲线与纯生牛乳存在显著差异。梯度提升机（GBM）与多层感知器（MLP）模型对掺假样品的分类准确率达 100%；随机森林（RF）模型表现同样优异，其识别准确率为 100%，预测准确率为 88.5%。进一步分析显示，对于梯度提升机（GBM）与随机森林（RF）模型而言，结晶峰温度是最关键的判别性预测变量；而多层感知器（MLP）模型的核心预测变量则依次为沸腾峰温度、结晶起始温度及沸腾起始温度。牛乳掺假检测是一项多维度的技术工作，差示扫描量热法与机器学习算法相结合的技术方案具有重要的应用前景，具备在乳品行业落地推广的实际潜力。
