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 393 条结果
-
一种基于扩散映射和机器学习的蔬菜水果分类新方法
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Wenbo Wang, Aimin Zhu, Hongjiang Wei & Lijuan Yu
计算机标签
机器学习/统计学习 智能手机/其他 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 新鲜蔬菜 显微与成像技术果蔬分类有助于农产品流通的各个环节更好地开展库存管理、物流规划和供应链协调，提高供应链的效率和响应速度。然而，目前的果蔬分类主要依靠人工分类，这不可避免地会引入人为主观因素的影响，导致果蔬分类出现错误和误判。针对这一突出问题，本研究提出了一种高效且可复现的新型模型，利用手工特征对多种果蔬进行分类。在该模型中，对果蔬图片进行高斯滤波、灰度化和二值化等预处理操作，以提升图片质量；从预处理后的图像中提取代表果蔬类别的统计纹理特征、小波变换特征和形状特征；采用扩散映射这一特征降维方法，对由统计纹理特征、小波变换特征和形状特征构成的组合特征的冗余信息进行降维处理；运用五种有效的机器学习方法对果蔬种类进行分类。在本研究中，通过实验对所提方法进行了严格验证，结果表明支持向量机（SVM）分类器的果蔬分类准确率达到96.25%，这证明所提方法有助于提高果蔬的质量和管理水平，为农业生产和供应链提供有力支持。
-
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
油脂及油脂制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸目前，在食品行业中，结合指纹识别方法与环保且经济的分析仪器变得愈发重要。在此背景下，开发了一种基于二硫苏糖醇（DTT）功能化的铯铅溴化物（CsPbBr3）的比色传感器阵列，用于对多种食用油进行定性鉴别。在该传感器阵列的组成中，使用了两种碘化物（十八烷基铵碘化物（ODAI）和 ZnI2）作为识别元素，而 CsPbBr3 则用作传感器阵列的信号探针。不同的食用油对碘化物的氧化方式不同，从而导致剩余碘化物的量也不同。剩余的碘化物与 CsPbBr3 之间会发生卤素离子交换，从而在紫外光下呈现出不同的颜色，从而为每种食用油提供了一个独特的指纹特征。共有五种食用油表现出其独特的比色阵列响应模式，并通过线性判别分析（LDA）成功进行了区分，实现了 100% 的分类准确率。
-
通过分析淀粉颗粒形态的神经网络实现面粉类型的自动验证以确保“加利西亚面包”原产地保护标志
查看原文
2024
Food Control
中科院一区JCR一区
Xosé R. Fdez-Vidal, Nerea Fernández-Canto, María Ángeles Romero-Rodríguez, Ana María Ramos-Cabrer, Santiago Pereira-Lorenzo, & Matilde Lombardero-Fernández
计算机标签
深度学习 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
碳水化合物配料 品质、结构与理化性质 显微与成像技术面粉的质量管控是保障其制成品面包品质的关键环节。本研究提出一种基于淀粉颗粒形态特征的面粉质量控制方法。对于致力于生产 “加利西亚面包” 这一受保护地理标志（PGI）产品的生产商而言，利用显微图像实现面粉中各类谷物淀粉颗粒的自动化识别、分割及平均粒径测定，是一项不可或缺的核心工序。若由专业技术人员人工完成此项识别与计数工作，不仅过程繁琐，还需耗费大量时间。因此，实现该任务的自动化，除大幅节省时间成本外，更可显著提升整体工艺流程的效率。本文首次采用深度学习方法（掩码区域卷积神经网络，Mask R-CNN），开展淀粉颗粒的种类判定及粒径预测研究。研究人员使用此前人工识别计数时所用的原始偏振光显微图像，对训练完成的模型进行性能验证。本研究分析的数据集包含 1308 张分辨率为 2564×1924 像素的显微图像，图像中标注了两种小麦的 17000 个淀粉颗粒 —— 分别为卡斯蒂利亚商用小麦粉（0 类）和加利西亚本土小麦粉 “卡阿韦罗”（1 类），且两类样本的数量大致相当。基于 Mask R-CNN 的实例分割模型（模型 Ⅱ）在未知图像检测中表现出良好性能：其分类总体准确率约为 88.6%，淀粉颗粒面积的测定结果与专业人员人工估算值的偏差小于 4%。Mask R-CNN 模型所实现的检测效果，与专业人员人工分析结果呈现高度相关性，充分验证了本研究提出方法的实际应用价值。
-
用于识别体外肝细胞微管扰动的高通量图像检测方法
查看原文
2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Yang Li, Andrew J. Bowling, Audrey Lehman, Kristina Johnson, Heather E. Pence, Lori A. Breitweiser, Eric Sherer, Jessica LaRocca, & Wei Chen
计算机标签
机器学习/统计学习 设计/生成与推荐 可见光/RGB/视频数据 中等规模数据集食品标签
过敏原与毒性问题 显微与成像技术 体外模型哺乳动物细胞中微管稳定性被扰动可能导致遗传毒性和致癌风险，因此筛查微管去稳定化或稳定化作用，是辅助设计对人体健康安全分子的有效方法。本研究开发了一种高通量 384 孔检测方法，将免疫细胞化学与高内涵成像结合，用于评估代谢能力较强的人肝细胞系 HepaRG 中的微管扰动。为提高分析通量，研究使用 180 种化合物构成的整理训练库，实施监督式机器学习方法，并采用由 8 个机器学习分类器组成的多数投票集成模型预测微管扰动。模型在样本内验证中准确率超过 99.0%，F1 分数为 98.4%；在样本外验证中准确率为 93.5%，F1 分数为 94.3%。这种自动化图像检测可为早期发现阶段化合物提供简单、高通量的筛选方法，以降低作物保护产品开发中的潜在遗传毒性风险。
-
基于计算机视觉的杨桃成熟度分类的解释与阐释
查看原文
2024
Food Research International
中科院一区JCR一区
Ingrid Alves de Moraes, Sylvio Barbon Junior & Douglas Fernandes Barbin
计算机标签
随机森林 卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术杨桃（又称星果）依据质量参数的分类通常由训练有素的人员评估员通过目视检查进行。这是一种成本高昂且主观的方法，可能导致结果的高变异性。作为替代方案，计算机视觉系统与深度学习技术相结合，已成为业界一种强大且创新的工具，用于水果的快速、非侵入式分类。然而，验证深度学习模型（即“黑箱”）的学习能力和可信度以获取洞察可能具有挑战性。为减少这一差距，我们提出了一种集成的可解释人工智能方法，用于杨桃在不同成熟阶段的分类。我们比较了两种残差神经网络和视觉变换器，以识别由随机森林模型增强的图像区域，目的是在特征层面为成熟度分类提供更详细的信息。分析了整个成熟阶段果实颜色和理化数据的变化，并使用梯度加权类激活映射以及基于随机森林重要性的注意力图评估了这些参数对成熟阶段的影响。所提出的方法可视化和描述了导致模型决策的最重要区域，广泛的视觉化跟随模型来自随机森林的重要特征。我们的方法在标准化和快速杨桃分类方面具有广阔前景，ResNet达到91%的准确率，ViT达到95%的准确率，并具备应用于其他水果的潜力。
