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
-
基于非靶向1H-NMR代谢组学结合化学计量学检测燕窝掺假行为
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 主成分分析/判别分析 分类/鉴别/等级评定 组学数据食品标签
其他新资源食材 食品安全与风险评估 光谱/色谱/质谱等分析方法 代谢组学燕窝是金丝燕（Aerodramus fuciphagus）雄鸟用唾液筑成的巢。因其较高的营养价值，燕窝被视为高端滋补品，在华人群体中需求量极大。由于市场价值高昂，燕窝常被掺入廉价物质以次充好，各类分析检测技术正被逐步应用于燕窝掺假的鉴别工作中。
本研究采用氢核磁共振（¹H-NMR）代谢组学指纹图谱技术，结合化学计量学方法（主要为主成分分析（PCA）与正交偏最小二乘判别分析（OPLS-DA）），建立燕窝掺假检测方法。实验以采自马来西亚不同产区的正品燕窝为样本，分别添加营养琼脂、胶原蛋白、明胶、刺梧桐胶及三聚氰胺作为掺假物，模拟制备了掺假比例为 1%、5% 和 10%（质量分数）的掺假燕窝样品。
研究结果显示，基于无监督模式的主成分分析模型，可有效区分正品燕窝与掺假比例≥5% 的营养琼脂、胶原蛋白、明胶掺假样品；针对刺梧桐胶和三聚氰胺掺假的燕窝，在其核磁共振图谱上可分别检测到特征明显的特征峰，化学位移值分别为 1.91 ppm 与 6.10 ppm。而基于有监督模式的正交偏最小二乘判别分析预测模型，对正品燕窝与模拟掺假燕窝的鉴别准确率达到 100%。
综上，氢核磁共振代谢组学指纹图谱结合化学计量学的技术手段，有望成为燕窝掺假检测的有效工具。 -
基于中试规模可见-近红外光谱结合深度学习算法的油炸方便面在线质量保证研究
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
油炸食品 加工与新加工技术 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素（宏量）本研究采用在线可见 - 近红外光谱技术（光谱范围 380~1650 nm） 结合深度学习算法，对中试生产线制备的油炸方便面的多项品质指标进行检测分析。为构建稳健的校正模型，研究选取了覆盖范围较广的方便面核心品质指标：水分含量（1.6%~11.04%）、粗蛋白含量（8.34%~14.39%）、总脂肪含量（12.38%~26.68%）及总灰分含量（1.18%~3.15%）。
原始光谱数据先经多种预处理方法（包括标准正态变量变换（SNV）、趋势校正（DT）、一阶导数（FD）、多元散射校正（MSC）等）处理后，再通过竞争性自适应重加权采样法（CARS） 进行波长筛选优化。研究分别基于传统偏最小二乘回归（PLSR）与支持向量机回归（SVMR）两种深度学习算法构建校正模型。
建模结果显示，支持向量机回归模型对三项指标的预测效果最优，其对应的预处理方法、决定系数（R 2）、预测均方根误差（RMSEP）及预测偏差比（RPD）如下：水分含量（CARS–SNV–DT 组合预处理，R 2 =0.98，RMSEP=0.32，RPD=6.7）、粗蛋白含量（CARS–FD 组合预处理，R 2=0.98，RMSEP=0.18，RPD=8.15）、总脂肪含量（CARS–MSC 组合预处理，R 2=0.99，RMSEP=0.39，RPD=10.15）；而偏最小二乘回归模型对总灰分含量的预测表现更佳（CARS–原始光谱预处理，R 2=0.94，RMSEP=0.12，RPD=4.34）。 -
利用便携式近红外光谱仪鉴定芫荽籽油掺假
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 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法芫荽籽油是一种从芫荽籽中提取的植物油，其岩芹酸含量约占 70%。该植物油兼具抗炎与抗衰功效，因此被列为新型食品原料。由于具备上述特性且附加值较高，芫荽籽油与其他高市场价值的食用植物油一样，易成为掺假目标。为此，本研究旨在鉴别芫荽籽油的真伪，并检测其是否掺入棕榈液油、菜籽油、大豆油等市售植物油。
研究采用主成分分析（PCA）法，通过 3 个主成分实现了对纯植物油基质的区分，这 3 个主成分累计解释了 87% 的变量差异。同时，利用线性判别分析（LDA）与 k 近邻算法（k-NN）对纯油样品及掺假芫荽籽油进行分类。针对掺入棕榈液油、大豆油、菜籽油的芫荽籽油样品所建立的偏最小二乘（PLS）回归模型，其决定系数（R2）分别达到 0.98、0.99 和 0.99；相对分析误差（RPD）介于 7.1~10 之间。这表明所建模型稳定性良好，可用于芫荽籽油加工过程中的质量控制。 -
利用FT-NIR结合OC-PLS和PLS-DA模型对植物基蛋白粉进行真伪鉴定及乳清、大豆蛋白与小麦掺假物分类
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 红外/拉曼光谱数据食品标签
谷物/块根/豆与坚果类 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建立一种无损快速检测方法，结合近红外光谱技术（NIR） 与化学计量学工具，对不含大豆、乳糖及麸质的植物基蛋白粉进行真伪鉴别，并对其可能存在的掺假类型进行分类。研究选取了三种潜在掺假物质展开分析：大豆蛋白、乳清粉（乳糖来源）及小麦粉（麸质来源）。研究目标是通过非靶向检测与靶向检测相结合的方式，解决植物基蛋白粉的真伪鉴定及掺假物分类难题。
为此，本研究采用单类偏最小二乘法模型（OC-PLS） 进行真伪鉴别，同时运用偏最小二乘判别分析模型（PLS2-DA） 实现掺假物分类。借助投影重要性指标（VIP） 得分，明确了 PLS2-DA 模型中各类别对应的主要特征变量及关键光谱区间。
实验用实验室样品的制备方式为：向纯植物基蛋白粉中分别添加质量分数为 10%、15%、20%、25%、30%、35% 和 40% 的各类掺假物质。研究共对 47 份纯植物基蛋白粉样品及 144 份掺假样品进行了检测分析。
结果表明，将单类模型（OC-PLS）与多类模型（PLS-DA）联用，并结合近红外光谱技术的检测策略，在植物基蛋白粉检测领域具有良好应用前景。该方法检测速度快、灵敏度与特异性高，且无需复杂样品前处理，在10%—40% 的掺假比例范围内，可有效鉴别植物基蛋白粉的真伪，并将掺假物准确分类为大豆蛋白、乳清粉和小麦粉三大类。 -
基于反射、荧光和拉曼高光谱成像技术的玉米粉中黄曲霉毒素快速检测研究
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 支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
玉米 食品安全与风险评估 光谱/色谱/质谱等分析方法黄曲霉毒素常见于玉米及玉米制品中，若大量摄入，会导致动物和人类罹患严重疾病。早期检测对于预防相关病症至关重要，但目前常用的黄曲霉毒素高灵敏度、高效筛查手段，多为基于色谱法或免疫分析法的检测方法，这类方法成本高昂、操作繁琐，且需要专业技术人员操作。
本研究采用多种高光谱成像技术检测玉米粉中的黄曲霉毒素，具体包括可见 - 近红外（VNIR）反射成像、短波红外（SWIR）反射成像、365 纳米紫外光激发荧光成像，以及 785 纳米激光激发拉曼成像技术。针对每种高光谱成像模式，研究人员分别构建了基于线性判别分析（LDA）、线性支持向量机（LSVM）、二次判别分析（QDA）和二次支持向量机（QSVM）算法的四种分类模型。结合不同预处理方法，将上述多元分类模型应用于天然受黄曲霉毒素污染的玉米样品筛查。
在黄曲霉毒素含量阈值为 10 微克 / 千克的条件下，荧光成像结合 QSVM 模型、可见 - 近红外成像结合 QSVM 模型、短波红外成像结合 LSVM 模型、拉曼成像结合 LSVM 模型的分类准确率分别为 95.7%、82.6%、95.7% 和 87.0%，且均未出现假阴性误差。其中，短波红外成像模型与荧光成像模型的检测性能准确率略高，这表明与传统湿法化学检测方法相比，这两种技术或可作为更高效的黄曲霉毒素分析工具。
这些检测方法成本低、操作简便，有望成为食品安全领域的新型筛查手段，实现对玉米及其他动物饲料、人类食用原料中黄曲霉毒素的快速检测。
