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
-
基于溶液相传感器阵列结合紫外-可见光谱技术的红茶发酵质量快速监测
查看原文
2022
Food Chemistry
中科院一区JCR一区
Luqing Li, Menghui Li , Qingqing Cui, Ying Liu, Yuyu Chen, Yujie Wang, Zhengzhu Zhang, Quansheng Chen & Jingming Ning
计算机标签
支持向量机 偏最小二乘法 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 植物化学/生物活性成分红茶发酵品质的快速监测是实现红茶智能化加工的核心关键。本研究先对混合比例、传感阵列组分与反应时间进行优化，以此构建出最优液相比色传感阵列。通过紫外 - 可见光谱获取阵列特征光谱信息，再结合机器学习算法，建立红茶发酵品质评价模型。竞争性自适应重加权算法（CARS）- 支持向量机模型对红茶发酵程度的判别准确率达到100%。针对儿茶素与四种茶黄素（TF、TFDG、TF-3-G、TF-3′-G）的定量分析，CARS - 最小二乘支持向量机模型预测集相关系数分别为 0.91、0.86、0.76、0.72 与 0.79。整个检测过程可在2 分钟内完成，能够实现红茶发酵品质的精准监测，为红茶智能化加工提供了新方法与新思路。
-
基于反射、荧光和拉曼高光谱成像技术的玉米粉中黄曲霉毒素快速检测研究
查看原文
2022
Food Control
中科院一区JCR一区
Yong-Kyoung Kim, Insuck Baek, Kyung-Min Lee, Jianwei Qin, Geonwoo Kim, Byeung Kon Shin, Diane E. Chan, Timothy J. Herrman, Soon-kil Cho, & Moon S. Kim
计算机标签
机器学习/统计学习 支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
玉米 食品安全与风险评估 光谱/色谱/质谱等分析方法黄曲霉毒素常见于玉米及玉米制品中，若大量摄入，会导致动物和人类罹患严重疾病。早期检测对于预防相关病症至关重要，但目前常用的黄曲霉毒素高灵敏度、高效筛查手段，多为基于色谱法或免疫分析法的检测方法，这类方法成本高昂、操作繁琐，且需要专业技术人员操作。本研究采用多种高光谱成像技术检测玉米粉中的黄曲霉毒素，具体包括可见 - 近红外（VNIR）反射成像、短波红外（SWIR）反射成像、365 纳米紫外光激发荧光成像，以及 785 纳米激光激发拉曼成像技术。针对每种高光谱成像模式，研究人员分别构建了基于线性判别分析（LDA）、线性支持向量机（LSVM）、二次判别分析（QDA）和二次支持向量机（QSVM）算法的四种分类模型。结合不同预处理方法，将上述多元分类模型应用于天然受黄曲霉毒素污染的玉米样品筛查。在黄曲霉毒素含量阈值为 10 微克 / 千克的条件下，荧光成像结合 QSVM 模型、可见 - 近红外成像结合 QSVM 模型、短波红外成像结合 LSVM 模型、拉曼成像结合 LSVM 模型的分类准确率分别为 95.7%、82.6%、95.7% 和 87.0%，且均未出现假阴性误差。其中，短波红外成像模型与荧光成像模型的检测性能准确率略高，这表明与传统湿法化学检测方法相比，这两种技术或可作为更高效的黄曲霉毒素分析工具。这些检测方法成本低、操作简便，有望成为食品安全领域的新型筛查手段，实现对玉米及其他动物饲料、人类食用原料中黄曲霉毒素的快速检测。
-
基于中红外光谱与化学计量学结合快速鉴别A1和A2牛奶
查看原文
2022
Food Control
中科院一区JCR一区
Shijie Xiao, Qiaohua Wang, Chunfang Li, Wenju Liu, Jingjing Zhang, Yikai Fan, Jundong Su, Haitong Wang, Xuelu Luo, & Shujun Zhang
计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
液态乳 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸仅含 A2 β- 酪蛋白的牛奶（简称A2 奶）因其独特的健康功效而风靡全球。传统鉴别方法需借助基因检测技术（如基因测序）筛选携带 A2 β- 酪蛋白基因、仅能产 A2 奶的奶牛，但该方法耗时且成本高昂。本研究旨在绕开奶牛基因分型步骤，建立基于中红外光谱技术（MIR）结合化学计量学的检测方法，实现对大批量牛奶样本中 A1 奶与 A2 奶的直接鉴别。在构建预测模型前，研究人员首先采集奶牛血样进行 A1 β- 酪蛋白与 A2 β- 酪蛋白的基因分型，并将分型结果作为参考标准值；随后利用乳制品分析仪获取这些奶牛所产牛奶的中红外光谱数据。研究以中红外光谱数据为自变量、基因分型参考值为因变量，构建 A1 奶与 A2 奶的类别判别模型。实验将七种光谱预处理方法与两种特征提取算法进行组合建模，分别构建了偏最小二乘判别分析（PLS-DA）模型和支持向量机（SVM）模型。结果显示，两种模型测试集的平均准确率分别为 94.9% 和 94.4%，其中PLS-DA 模型表现更优，其训练集准确率达 96.6%，测试集准确率达 96.0%。研究人员采用一组独立样本对 PLS-DA 模型进行外部验证，验证结果显示预测准确率为 95.2%。综上，本研究提出的基于中红外光谱技术的预测模型，可实现 A1 奶与 A2 奶的低成本、快速、大规模鉴别，对乳品生产行业具有重要的应用价值。
-
利用机器学习设计饲料中黄曲霉毒素B1监测程序
查看原文
2022
npj Science of Food
中科院一区JCR一区
Wang X, Bouzembrak Y, Oude Lansink A. G. J. M. & van der Fels-Klerx H. J
计算机标签
支持向量机 梯度提升决策树 逻辑回归/贝叶斯 智能手机/其他 分类/鉴别/等级评定 过程控制与实时优化 质构/流变/感官数据 大规模数据集 公开数据集食品标签
微生物安全 暴露评估与风险表征用于饲料和食品生产的农产品经常受到霉菌毒素的污染，例如黄曲霉毒素B1（AFB1）。在欧洲，政府和公司都制定了监测AFB1存在的监测计划。由于资源有限，并遵循欧盟法规2017/625规定的基于风险的监测，这些监测计划重点关注污染概率最高的批次。本研究探索了使用机器学习算法（ML）设计饲料产品中AFB1的基于风险的监测计划，同时考虑了监测成本和模型性能。使用了饲料产品中AFB1存在的历史监测数据（2005-2018年；共5605条记录）。应用并比较了四种不同的机器学习算法，包括决策树、逻辑回归、支持向量机和极限梯度提升（XGB），以预测需要进一步进行AFB1采样和分析的高风险饲料批次。监测成本包括：采样和分析成本、疾病负担、储存成本以及召回和销毁污染饲料批次的成本。机器学习算法能够预测高风险批次，其AUC、召回率和准确率分别高于0.8、0.6和0.9。XGB算法优于其他三种研究的机器学习算法。与官方监测计划相比，其应用可使2016-2018年的监测成本降低高达96%。所提出的基于风险的监测计划设计方法可以帮助当局和行业降低其他食品安全危害的监测成本。
-
探索先进机器学习在识别伤寒沙门氏菌严重疾病表型中的预测能力
查看原文
2022
Food Research International
中科院一区JCR一区
Shraddha Karanth, Collins K. Tanui, Jianghong Meng, & Abani K. Pradhan
计算机标签
支持向量机 随机森林 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据食品标签
微生物安全 基因组学 其他特殊成分过去几年中，全基因组测序信息的可获得性显著增加，使其能够被纳入食源性病原体的预测建模中，以考虑其毒力的种间和种内差异。然而，与观测值/分离株数量相比，传统统计方法分析如此大量数据的能力有限，这限制了其应用。在本研究中，我们探索了机器学习 (ML) 模型在预测疾病结果中的适用性，同时识别对预测有显著影响的特征。本研究的对象是沙门氏菌 (Salmonella enterica)，这是一种具有显著亚型间和亚型内差异的主要食源性病原体。从各种来源（即人类、鸡和猪）获得的分离株的全基因组测序（WGS）被用作四种机器学习模型（带岭回归的逻辑回归、随机森林、支持向量机和AdaBoost）的输入，以根据宿主的疾病严重程度（肠外感染与胃肠感染）对分离株进行分类。所有模型的预测性能均在有无弹性网正则化的情况下进行了测试，以应对高维度问题。弹性网正则化的逻辑回归模型显示出最佳的受试者工作特征曲线下面积（AUC-ROC；0.86）和结果预测准确率（0.76）。此外，编码转录调控、酸性、氧化和厌氧应激反应以及抗生素抗性相关基因被发现是疾病严重程度的重要预测因子。这些基因与每种结果显著相关，可能会被输入修改后的、特定基因表达的预测模型中，以估算沙门氏菌和其他食源性病原体对人类健康的特定毒力模式的影响。
