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 339 条结果
-
基于人工智能增强高光谱成像技术实时监测大黄鱼鱼片颜色变化
查看原文
2022
Food Chemistry
中科院一区JCR一区
Shengnan Wang, Avik Kumar Das, Jie Pang & Peng Liang
计算机标签
深度学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
鱼肉 颜色与外观品质 光谱/色谱/质谱等分析方法本研究首次将可见 - 近红外高光谱成像（Vis-NIR HSI）系统与人工神经网络相结合，探究其用于监测低温贮藏过程中大黄鱼（Larimichthys crocea）鱼片色泽变化的可行性。研究构建了基于泄漏修正线性单元（Leaky-ReLU）激活函数的前馈神经网络（FNN），作为非线性定量分析模型。基于优选光谱，该模型对色泽指标具备优良的预测精度：其中亮度值L ∗、红度值a ∗、黄度值b ∗的预测决定系数R P2分别为 0.908、0.915、0.977，预测均方根误差RMSEP分别为 1.062、3.315、0.082。最终，采用简化版 FNN-Leaky-ReLU 模型（S-FNN-L）实现鱼片色泽参数分布的可视化成像。结果表明，高光谱成像技术可替代传统色差仪，以快速、无损的方式完成鱼片色泽检测与空间分布测定，具备良好应用可行性。
-
数字化和人工智能促进可持续食品系统
查看原文
2022
Trends in Food Science & Technology
中科院一区JCR一区
Hans J.P. Marvin, Yamine Bouzembrak, H.J. van der Fels-Klerx, Corné Kempenaar, Roel Veerkamp, Aneesh Chauhan, Sanne Stroosnijder, Jan Top, Görkem Simsek-Senel, Hans Vrolijk, Willem Jan Knibbe, Lu Zhang, Remko Boom & Bedir Tekinerdogan
计算机标签
机器学习/统计学习 深度学习食品标签
可持续性与资源高值化 过程控制与数字化背景：欧盟委员会（EC）发布了《欧洲绿色协议》通报，为欧洲的根本转型设定了路径。该政策的关键要素是构建一个完全可持续的食品系统，这在“从农场到餐桌”战略中得以明确。该战略需要采取系统方法，全面考虑与充足和健康食品生产及消费相关的所有方面，包括经济、环境（气候、生态系统）和社会层面。
范围与方法：本文介绍了遵循欧盟所倡导的“从农场到餐桌”原则的食品生产系统方法概念，并阐述了数字化和人工智能（AI）如何应对可持续食品系统带来的挑战。
主要发现与结论：本文提出了一系列研究和创新挑战，并通过具体案例加以说明。结论认为，人工智能和数字化在支持向可持续食品系统转型方面具有巨大潜力。这一发展将影响从农民到消费者的整个价值链中参与者的角色和互动。本文为未来在可持续食品生产中成功实施人工智能提出了政策建议。 -
基于计算机视觉实现奶粉中三聚氰胺的单位数ppm级定量检测
查看原文
2022
Food Control
中科院一区JCR一区
Sandra Pradana-López, Ana M. Pérez-Calabuig, John C. Cancilla, Laura Otero, & José S. Torrecilla
计算机标签
深度学习 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
乳粉 食品安全与风险评估 显微与成像技术本研究建立了一种可对三种不同品牌奶粉中三聚氰胺含量进行定性检测与定量分析的方法，该方法基于图像数据库训练卷积神经网络（CNN）实现目标检测。所选的三款奶粉分属不同品牌，不仅脂肪含量存在差异，其目标消费群体也按年龄段划分。研究通过精准称重的方式向奶粉中添加微量三聚氰胺制备掺假样本，同时纳入了被认定为 “无三聚氰胺” 的空白样本 。实验共采集 3100 张样本图像用于卷积神经网络模型训练（每组待分类样本对应 100 张图像），并具体采用 残差网络 34 层模型（ResNet34） 架构开展分类任务。在该深度学习方案中，样本图像被随机划分为两个部分：90% 的图像用于卷积神经网络的训练与验证阶段，剩余 10% 作为盲测集。优化后的模型在验证阶段的总体分类准确率达 98.7%，盲测阶段的误判率仅为 3.0%。这一结果表明，该方法可作为乳制品行业一种高效的品质与安全管控手段。
-
基于配料表的深度学习准确预测食品类别和营养成分
查看原文
2022
Food Chemistry
中科院一区JCR一区
Peihua Ma, Zhikun Zhang, Ying Li, Ning Yu, Jiping Sheng, Hande Küçük McGinty, Qin Wang & Jaspreet K.C. Ahuja
计算机标签
深度学习 定量预测/回归分析 文本/知识库/法规数据食品标签
基本营养价值评价 问卷/市场与消费者研究 常量营养素（宏量）对食品进行类别判定、构建分类体系与营养成分标注，是深入认知食品的重要工作，但该过程难度大、资源消耗高。本研究从美国农业部品牌食品产品数据库（USDA Branded Food Products Database）中整理并修正，构建了全新的134k BFPD 数据集，依据三套食品分类体系与营养成分数值完成标注，成为迄今覆盖食品种类最丰富的人工智能专用数据集。整体而言，多层感知机结合 TF‑SE 改进算法（MLP‑TF‑SE） 在食品自然语言处理任务中表现出最优学习效率，食品分类准确率最高可达99%，钙含量预测的决定系数（R2）为0.98（热量、蛋白质、钠、总碳水化合物、总脂等指标的R2介于 0.93～0.97 之间）。该深度学习方法可拓展应用于其他食品分类与回归任务，在食品及营养相关领域具备良好的延伸应用潜力。
-
基于人工神经网络与遗传算法耦合的黑树莓籽中鞣花单宁加速溶剂提取优化
查看原文
2022
Food Chemistry
中科院一区JCR一区
Ga Eun Lee, Ryun Hee Kim, Taehwan Lim, Jaecheol Kim, Suna Kim, Hyoung-Geun Kim & Keum Taek Hwang
计算机标签
深度学习 定量预测/回归分析食品标签
新鲜水果 品质、结构与理化性质 传统热加工 光谱/色谱/质谱等分析方法 多酚与黄酮本研究旨在鉴定黑树莓籽（BRS） 中的鞣花单宁组分，并采用人工神经网络（ANN） 结合遗传算法，对鞣花单宁的加速溶剂萃取工艺进行优化。研究从黑树莓籽中共鉴定出 15 种单体与二聚体鞣花单宁。构建人工神经网络模型时，将萃取时间、萃取温度、溶剂浓度设为输入变量，总鞣花单宁含量设为输出变量。训练完成的 ANN 模型均方误差为 0.0102，回归相关系数达0.9988。模型预测得到的总鞣花单宁含量最大化最优萃取条件为：丙酮体积分数 63.7%、萃取时间 4.21 min、萃取温度 43.9 ℃。该最优条件下实测总鞣花单宁含量为13.4±0.0 mg/g（干重），预测误差为0.75±0.27%。本研究首次对黑树莓籽的鞣花单宁组成进行系统分析，并确定了黑树莓籽中总鞣花单宁最大化提取的最优工艺条件。
