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 364 条结果
-
基于UHPLC-Q/TOF-MS的比较代谢组学方法结合机器学习算法区分窄地理来源的祁门红茶
查看原文
2022
Food Research International
中科院一区JCR一区
Chuan-yi Peng, Yin-feng Ren, Zhi-hao Ye, Hai-yan Zhu, Xiao-qian Liu, Xiao-tong Chen, Ru-yan Hou, Daniel Granato, & Hui-mei Cai
计算机标签
机器学习/统计学习 支持向量机 随机森林 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
茶/茶饮料 食品安全与风险评估 其他安全问题 代谢组学 光谱/色谱/质谱等分析方法地理标志是中国茶产品的一个显著特征。在本研究中，采用基于UHPLC-Q/TOF-MS的代谢组学方法结合化学计量学来确定祁门红茶的五个狭窄地理来源。共鉴定出三十九种差异化化合物（VIP > 1），其中八种进行了定量分析。化学计量学分析显示，线性判别分析（LDA）分类准确率模型为91.7%，交叉验证准确率为84.7%。引入了三种机器学习算法，即前馈神经网络（FNN）、随机森林（RF）和支持向量机（SVM），以提高狭窄地理来源的识别能力，模型的性能通过混淆矩阵、受试者工作特征曲线（ROC）和曲线下面积（AUC）进行评估。来自五个狭窄地理产区的祁门红茶，RF、SVM 和 FNN 的识别率分别为 87.5%、94.44% 和 100%。重要的是，FNN 展现出了卓越的分类效果，准确率达 100%。结果表明，代谢组学指纹结合化学计量学可以用于鉴定祁门红茶的狭窄地理产区来源。
-
从正相液相色谱指纹图谱构建仪器无关的多变量模型：以橄榄油真伪鉴别为例
查看原文
2022
Food Control
中科院一区JCR一区
Christian H. Pérez-Beltrán, Ana M. Jiménez-Carvelo, Sandra Martín-Torres, Fidel Ortega-Gavilán, & Luis Cuadros-Rodríguez
计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法仪器色谱指纹图谱等非靶向分析策略已广泛应用于食品真伪鉴别与品质检测领域。尽管已开发的多元统计分析方法能够解决各类食品真伪鉴定问题，但这类方法的建模效果往往依赖于信号采集时的仪器状态，导致模型难以在不同实验室间迁移应用。本研究旨在构建不受仪器状态及信号采集时间影响的多元统计模型。研究采用正相超高效液相色谱 - 紫外 / 可见光谱联用技术（NP-UHPLC-UV/Vis） 对不同橄榄油样品的极性组分进行检测，将所得色谱图转化为与仪器无关的指纹图谱。具体实现方法为：在整个分析序列中，将一组专用外标混合溶液的色谱行为特征迁移至其余待测样品，以此消除仪器差异带来的影响。基于仪器无关化处理前后的色谱指纹图谱矩阵分别建立 SIMCA 模型，结果显示，两类模型在 “无法判定” 样本的归类数量上存在显著差异，其中经仪器无关化处理后构建的模型表现更优。此外，对比信号处理前后建立的 PLS-DA 与 SVM 模型，二者的判别效果基本一致。本研究的核心结论可归纳为：仪器无关化处理方法能够助力构建可在不同实验室间迁移的多元分类模型，这类模型的稳定性不受信号采集时间的影响。
-
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
Rohit Upadhyay, Anshul Gupta, Hari Niwas Mishra, & Shrinivasa N. Bhat
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）。
-
基于卷积神经网络和多项式校正的反射光谱技术用于食用植物油中山嵛酸的测定
查看原文
2022
Food Chemistry
中科院一区JCR一区
Shizhuang Weng, Zhaojie Chu, Manqin Wang, Kaixuan Han, Gongqin Zhu, Cunchuan Liu, Xinhua Li & Linsheng Huang
计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 定量预测/回归分析食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究提出一种新型多项式校正方法 ——阶数自适应多项式校正法（OAPC），用于校正存在操作人员差异的反射光谱，并结合卷积神经网络（CNN）构建分析模型，实现食用油脂中山嵛酸含量的预测。采用 OAPC 校正后，CNN 模型表现优异，校正决定系数（Rcor2）达 0.8843，校正均方根误差（RMSEcor）为 0.1182，性能优于同经 OAPC 校正的偏最小二乘回归、支持向量回归、随机森林模型，以及未采用 OAPC 校正的各类模型。通过自助软收缩法、随机蛙跳算法与皮尔逊相关系数联合筛选出 16 个有效波长，在此基础上结合 CNN 与 OAPC，模型效果进一步提升，校正决定系数达 0.9560，校正均方根误差降至 0.0730。同时，Kennard-Stone 算法仅需选取 5% 的校正样本即可满足 OAPC 使用要求。综上，该方法可有效减弱操作人员差异对光谱分析的干扰，为校正仪器测量差异或环境差异提供了可行方案。
-
计算机标签
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
植物油 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β- 胡萝卜素与油酸是区分 特级初榨橄榄油（EVOO） 与其他油脂的关键标志物。针对采用普通植物油掺加 β- 胡萝卜素冒充特级初榨橄榄油的掺假行为，本研究证实一种无创、无损的检测方法具备良好效果。本研究基于密度泛函理论（DFT）计算得到的 β- 胡萝卜素、油酸与亚油酸理论拉曼光谱，建立激光共聚焦拉曼技术，用以分析并对比特级初榨橄榄油与掺假植物油（SSO）间的分子差异。采用基于 支持向量回归（SVR） 的化学计量学方法，实现对调和模拟橄榄油中 β- 胡萝卜素的定量分析。研究独立配制 9 组不同体积比的样品，SVR 线性核函数测试集评价指标如下：均方根误差（RMSE）0.0653，决定系数（R²）0.9868。结果表明，激光共聚焦拉曼技术结合 DFT 理论拉曼光谱，可精准解析植物油组成，有效识别低成本仿冒橄榄油。
