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
-
使用图像处理和人工神经网络诊断苹果果实病害
查看原文
2023
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 可见光/RGB/视频数据食品标签
新鲜水果 食品安全与风险评估 显微与成像技术果农通常缺乏对各类苹果病害的诊断与防治知识。尽管部分苹果病害会表现出可视化症状，可通过人工肉眼识别，但这种诊断方式耗时费力，且会增加果农的成本投入。针对这一问题，一种可行的解决方案是利用图像处理技术开发自动化病害诊断系统。
本研究提出一种低成本的苹果病害诊断方法，该方法基于神经网络模型，可将果实划分为四种类别，即黑星病果、苦腐病果、黑腐病果及健康果实。研究以果实的颜色与纹理特征作为模型输入变量，构建多层感知器神经网络，并将预设的病害类别作为模型输出结果。
实验选取 60% 的图像样本用于神经网络训练，剩余样本留作模型测试集；同时，研究人员通过调整单层与双层神经网络的结构，对所提方法的诊断准确率进行评估。结果表明，采用双层神经网络结构（第一层与第二层各设置 8 个神经元）时，模型诊断准确率达到最优，为 73.7% -
基于1H NMR的代谢组学方法结合机器学习算法区分花椒(Zanthoxylum bungeanum Maxim.)的地理来源
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 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
香精香料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 植物化学/生物活性成分花椒（Zanthoxylum bungeanum Maxim）是深受种植业与美食市场青睐的香辛料品种。其产地溯源不仅能够提升产品附加值，也对品质管控与品牌保护工作提出了更高要求。
本研究首次采用氢核磁共振（¹H NMR）光谱技术，对产自四大主产区的 160 份花椒样品开展检测分析，并基于 32 种非极性代谢物数据进行建模。研究人员测试了多种机器学习算法以构建产地分类模型，结果显示，非线性判别随机森林模型性能最优：该模型在训练集上的综合分类准确率达 100%，测试集准确率为 95.7%，盲样数据集准确率为 87.5%。
进一步鉴定发现，决定四大产区花椒样本区分的核心特征标志物为芳樟醇、乙酸芳樟酯、壬醛及罗勒烯。本研究建立了一套基于氢核磁共振光谱结合化学计量学的花椒产地溯源方法，为实现花椒的精准品质管控提供了技术支撑。 -
利用机器学习的近红外光谱分析对罗布斯塔生咖啡豆中赭曲霉污染进行快速准确分类
查看原文
2023
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 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
豆类与坚果（及籽类） 微生物安全 光谱/色谱/质谱等分析方法本研究探究了基于近红外（NIR）光谱技术的罗布斯塔生咖啡豆赭曲霉污染分类检测方法。为实现这一研究目标，本研究采用六种不同的机器学习算法开展建模分析，包括线性判别分析（LDA）、支持向量机（SVM）、k 近邻算法（KNN）、决策树（Tree）、朴素贝叶斯（NB）及二次判别分析（QDA）。
实验将咖啡豆划分为四类真菌污染组别，分别为第 1 天无真菌污染组（NCB-D1）、第 3 天无真菌污染组（NCB-D3）、第 1 天真菌污染组（CB-D1） 与第 3 天真菌污染组（CB-D3），并以此作为分类建模的目标类别。基于上述六种机器学习算法的建模结果显示，决策树算法性能最优，其训练集分类准确率达 97.5%；经测试集验证，该算法的分类准确率同样为 97.5%。基于这一准确率，决策树算法可实现污染咖啡豆与无污染咖啡豆的100% 精准区分。
本研究结果表明，近红外光谱技术结合机器学习算法，在生咖啡豆真菌污染早期检测领域具有良好的应用潜力。 -
通过in silico 适配体工程开发用于黄曲霉毒素B1监测的高性能适配体传感平台
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 时序传感器/物联网数据食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法鉴于小分子量结合适配体研发存在技术瓶颈，可靠的计算机模拟技术可作为设计新型高功能霉菌毒素适配体探针的有效工具。本研究成功开发两种新型黄曲霉毒素 B₁（AFB₁）结合适配体，并将其作为识别元件，分别应用于侧向流适配体传感器与反射幻象界面（RPI）检测平台。
研究以先前通过基于遗传算法的计算机辅助成熟策略（ISM） 设计的亲本适配体 F20 为基础，结合序列截短策略与计算机模拟技术，获得新型变体适配体 F20-T。基于上述两种适配体探针，研究构建了两种适配体 - 金纳米颗粒试纸条生物传感器，采用竞争法实现对 AFB₁的简便快速检测。实验结果显示，F20 基试纸条的灵敏度优于截短型适配体 F20-T 基试纸条，二者的检测限（LOD）分别为 0.1 ng/mL 与 0.5 ng/mL。
通过计算机模拟与实验验证两种试纸条对其他霉菌毒素（包括黄曲霉毒素 B₂、M₁、G₁、G₂、赭曲霉毒素 A 及玉米赤霉烯酮）的选择性，结果表明F20-T 基试纸条对 AFB₁的选择性更优。利用简易试纸条读数仪，两种适配体传感器均可在 30 分钟内成功检测玉米粉中的 AFB₁。此外，将 F20 与 F20-T 适配体应用于独创的 RPI 检测平台，同样实现了对 AFB₁的高效检测。
综上，本研究设计的两种适配体探针可作为潜在识别元件，用于开发快速、低成本、现场检测 AFB₁的筛查工具。研究结果证实，计算机模拟技术在新型小分子量结合适配体研发中具有可靠且稳定的应用价值，为以绿色经济的方式设计各类适配体传感检测平台开辟了迫切需要的新途径。 -
测试两台近红外仪器预测鸡胸肉质量并利用机器学习方法鉴别基因型和肌病存在情况
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 偏最小二乘法 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
禽肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸为实现对三类禽肉（杂交白羽肉鸡、患胸肌病的杂交白羽肉鸡、慢速生长地方品种肉鸡）的鉴别，并预测鸡胸肉的常规营养成分及氨基酸（AA）组成，本研究对两台工作波段为850~2500 nm 的近红外光谱仪展开测试，结合化学计量学算法与机器学习（ML）方法构建分析模型。
研究采用偏最小二乘判别分析（PLS-DA）进行品种溯源，结果显示，受光谱预处理方法及仪器选型的影响，模型的马修相关系数（MCC）介于 0.61~1.00 之间。通过偏最小二乘回归（PLSR）建模发现，模型对粗蛋白的交叉验证决定系数（Rcv2）达 0.98，对粗脂肪的Rcv2高达 0.99；而针对氨基酸的预测效果存在差异，仅天冬氨酸、丙氨酸、蛋氨酸三种氨基酸的Rcv2大于 0.55。基于上述氨基酸预测结果，研究进一步采用因子判别分析（FDA）开展品种鉴别，模型的马修相关系数为 0.67~0.95。
综合实验结果表明，两台受试近红外光谱仪均能实现对鲜样及冻干鸡胸肉的化学成分测定。值得注意的是，机器学习算法的引入显著提升了近红外光谱数据的可解释性，不仅可区分不同遗传品系鸡胸肉的成分差异，还能有效识别鸡胸肉是否存在胸肌病病变。
