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
-
利用核磁共振波谱检测与评估意大利蜂蜜中糖类掺假
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 定量预测/回归分析食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法 碳水化合物与糖类蜂蜜掺假检测至今仍是一项亟待解决的难题。尤其在近年来蜂蜜产量大幅缩减的背景下，这一问题的破解难度更是显著增加。掺假行为之所以在全球范围内屡禁不止，主要源于其背后可观的经济利益驱动，同时也因为目前尚无官方认可的分析方法，能够精准检测出蜂蜜中的掺假成分，尤其是各类糖浆类添加剂。
本研究同时采用靶向与非靶向核磁共振波谱技术，旨在检测蜂蜜中是否掺入菊粉、玉米糖浆 / 麦芽糖浆以及转化糖浆。研究人员收集了纯蜂蜜样本以及掺假比例为 10%–40% 的人工掺假蜂蜜样本的非靶向核磁共振数据，并对其进行统计学分析；随后通过正交偏最小二乘模型，对添加糖类掺假物的蜂蜜样本展开预测，最终实现了对掺假比例的高精度估算。
与此同时，研究团队对靶向核磁共振数据进行分析，借助校准曲线同样实现了对蜂蜜掺假比例的准确预测。上述两种方法均展现出优异的稳定性与可靠性，能够有效检测并估算意大利三种不同蜜源蜂蜜（即板栗蜜、杂花蜜和洋槐蜜）中的掺假比例，这也表明该检测方案具备推广至其他蜜源蜂蜜掺假检测的潜力。 -
利用高光谱显微成像与人工智能分类算法快速鉴定食源性细菌
查看原文
2022
Food Control
中科院一区JCR一区
计算机标签
深度学习 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
微生物安全 光谱/色谱/质谱等分析方法本研究成功开发了一种人工智能辅助高光谱显微成像方法，可同时鉴别五种常见食源性致病菌。
高光谱显微成像技术在活体细胞表征方面具有极强优势，细胞区域的每个像素都蕴含着丰富的光谱信息。为评估不同区域的分类性能，本研究选取了三个感兴趣区域开展实验，包括全细胞区域、边界区域（细胞膜外层）及中心区域（细胞内部区域）。
研究提出并优化了一种基于长短期记忆网络的人工循环神经网络模型，用于直接处理从不同感兴趣区域采集的光谱数据。与基于主成分分析的分类器（主成分分析 - 线性判别分析模型准确率 66.0%、主成分分析 - K 近邻模型 74.0%、主成分分析 - 支持向量机模型 85.0%）相比，本研究构建的人工智能分类器在中心区域数据集上的识别准确率高达 92.9%，表现最优。
此外，人工智能辅助高光谱显微成像技术可实现光谱信息的快速预测，是食源性致病菌鉴别领域的高效检测工具。 -
利用高光谱成像技术对鸡蛋进行实时缺陷与新鲜度检测
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
深度学习 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
蛋类及其制品 食品安全与风险评估 光谱/色谱/质谱等分析方法鸡蛋既是烹饪常用原料，也是一类常见农产品。其富含油脂、蛋白质、维生素等多种营养成分，对人体健康有益。但在清洗和分选工序前后，蛋壳表面残留污物或出现破损等问题，均会影响鸡蛋品质。
传统鸡蛋缺陷检测以人工方式为主，该方式不仅劳动强度大，还易因人员疲劳产生检测误差，导致产品质量参差不齐。本研究从工厂生产线与消费者双重视角出发，研发了鸡蛋高光谱缺陷检测技术（HEDIT）与鸡蛋高光谱新鲜度检测技术（HEFIT）。上述两种技术将特征波段筛选方法与深度神经网络（DNN）、一维卷积神经网络（1D-CNN）、二维卷积神经网络（2D-CNN）、三维卷积神经网络（3D-CNN）及轻量化网络 MobileNet 相结合，基于高光谱成像技术（HSI）实现鸡蛋品质的实时检测。
实验中，研究人员共测试 1000 枚新鲜鸡蛋样品与 800 枚缺陷鸡蛋样品。结果显示，所提方法对鸡蛋新鲜度的检测总准确率达 99%，对缺陷鸡蛋的检测总准确率达 100%；在缺陷检测任务中，单枚鸡蛋检测耗时仅 31 毫秒，且检测总准确率仍保持在 95%，实现了检测精度与分选效率的兼顾。本研究结果可为智能化鸡蛋生产的后续应用与商业化落地提供技术支撑。 -
应用机器学习与¹H NMR化学指纹图谱鉴定红茶的产地、品种和加工方式
查看原文
2023
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 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质红茶的产地会影响其商品价值，且该品类极易成为食品欺诈的目标。本研究采用核磁共振（NMR）波谱技术，对采自中国（安徽、云南、福建、广东）、印度（大吉岭、阿萨姆）及斯里兰卡（康提）7 个红茶主产区的 219 份样品开展非靶向代谢组学分析。不同产地的红茶可依据茶树品种与加工工艺加以区分，其中咖啡因与丙氨酸被鉴定为品种差异性特征代谢物，茶黄素 - 3,3'- 双没食子酸酯与琥珀酸则为加工工艺差异性特征代谢物。
研究采用多种机器学习算法构建红茶产地溯源模型，测试集准确率结果显示，非线性模型随机森林（92.7%）与支持向量机（91.8%）的鉴别性能优于线性模型线性判别分析（86.3%）与 K 近邻算法（86.3%）。随机森林模型筛选出 14 种红茶产地特征标记代谢物，包括咖啡因、苹果酸、赖氨酸及 β- 葡萄糖，并基于这些标记物绘制出产地化学指纹图谱。进一步验证表明，相较于加工工艺，茶树品种对红茶产地代谢指纹图谱的贡献度更高。
本研究结果证实，氢核磁共振（¹H NMR）代谢组学技术结合机器学习方法，可作为构建红茶化学指纹图谱的有效工具，为红茶品质评估与产地欺诈检测提供技术支撑。 -
基于智能方法预测牛肉中的微生物行为
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 文本/知识库/法规数据食品标签
畜肉 食品安全与风险评估本研究的核心目的是构建三种基于机器学习的回归模型，即决策树回归（DTR）、广义加性模型回归（GAMR）和随机森林回归（RFR），并将其用于牛肉中细菌菌落总数的预测。
为实现这一目标，研究从 ComBase 数据库（网址：www.combase.cc）中采集了共计 2654 组细菌数据，涉及单核细胞增生李斯特氏菌、大肠杆菌及假单胞菌属 —— 这三类细菌是牛肉微生物研究领域中最受关注的菌种。研究选取温度、盐浓度、水分活度及酸度作为核心预测变量，以此表征牛肉中微生物的生长与存活规律。通过嵌套交叉验证法对所构建的机器学习回归模型进行超参数优化，并基于决定系数（R2）和均方根误差（RMSE）两项统计指标，对比各模型的拟合性能。
结果显示，针对三种微生物的菌落预测，所有回归模型均表现出良好的预测效果，其决定系数介于 0.931~0.949 之间，均方根误差介于 0.597~0.692 之间。其中，随机森林回归模型的预测性能最优，因此研究对其进行了进一步的外部验证。验证结果表明，该模型的偏差因子介于 1.017~1.151 之间，准确度因子介于 1.137~1.370 之间。这一结果证实，随机森林回归模型可作为一种可靠的替代方法，用于同步表征牛肉中微生物的存活与生长规律；同时，该模型能够省略传统预测微生物学领域两步建模法中的次级模型构建环节，具备成为新型模拟方法的巨大潜力。
