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
-
基于高光谱成像光谱与纹理数据融合预测亚硝酸盐腌制羊肉中肌红蛋白含量
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 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸肌红蛋白的含量与化学状态通常与肉色密切相关，而肉色是评判肉类新鲜度与食用安全性的重要指标之一。为精准测定羊肉中氧合肌红蛋白（OxyMb）与高铁肌红蛋白（MetMb）的含量，本研究探索了基于光谱图像融合的优化检测技术的可行性。
研究采用三种方法筛选特征波长，同时提取肌肉组织的纹理特征。模型性能对比结果显示，耦合光谱与纹理参数的最小二乘支持向量机（LSSVM）模型，预测效果均优于偏最小二乘回归（PLSR）模型。其中，用于氧合肌红蛋白预测的iVISSA-COR-LSSVM 模型表现优良，校正决定系数（Rc2）达 0.9525，校正均方根误差（RMSEC）为 2.2955，预测决定系数（Rp2）为 0.8956，预测均方根误差（RMSEP）为 3.0036；用于高铁肌红蛋白预测的VCPA-IRIV-COR-LSSVM 模型则展现出更具实效性的预测性能，其Rc2为 0.8809、RMSEC 为 2.2009、Rp2为 0.8353、RMSEP 为 3.2096。
最终，本研究生成了氧合肌红蛋白与高铁肌红蛋白在羊肉组织中分布的伪彩色图谱。该研究证实，数据融合技术为肌红蛋白含量的快速检测提供了一种全新方法。 -
基于傅里叶变换红外光谱法预测小麦面粉成分
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究采用多种标准检测方法，对 70 份不同品种小麦粉的理化特性进行分析，涉及的小麦品种包括一粒小麦（Triticum monococcum）、斯佩耳特小麦（Triticum spelta）及普通小麦（Triticum aestivum）。检测指标涵盖小麦籽粒的水分、灰分、蛋白质、湿面筋、沉降值、pH 值、酸度、脂肪、淀粉、降落数值、破损淀粉含量，以及通过粉质拉伸仪测得的拉伸与松弛特性参数。
研究借助主成分分析法解析小麦样品理化特性之间的关联性。结果显示，除水分与破损淀粉含量外，其余几乎所有理化指标在不同品种间均存在显著性差异，且该差异在普通小麦与古老小麦品种间表现得尤为明显。古老小麦品种的蛋白质、湿面筋、脂肪、灰分及酸度指标均为最高；而普通小麦的淀粉含量更丰富，且粉质拉伸仪测得的拉伸与松弛特性参数值均为最高。
此外，本研究采用傅里叶变换红外光谱（FTIR）技术作为无损检测手段，分析小麦粉的成分组成，并基于光谱特征峰确定籽粒的化学组分含量。为提升偏最小二乘回归（PLS-R）模型对小麦部分理化参数（水分含量、蛋白质含量、淀粉含量、面筋含量、降落数值及破损淀粉校正值）的预测精度，研究人员对 FTIR 光谱数据进行了多种预处理。结果表明，光谱一阶导数与二阶导数预处理方法所构建的模型，对目标理化参数的预测效果最优。 -
基于高光谱成像技术与不同深度卷积神经网络的轻微发芽小麦籽粒识别
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
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法发芽小麦籽粒会对小麦粉、面包等各类小麦制品的品质产生显著影响，但此类籽粒（尤其是轻度发芽籽粒）难以通过人工肉眼识别。本研究采用高光谱成像技术，结合深度学习算法，开展轻度发芽小麦籽粒与正常小麦籽粒的分类鉴别研究。
研究首先对随机摆放的小麦籽粒高光谱图像，采用多种常用预处理方法进行数据优化。随后，构建一维、二维、三维及混合型四种深度卷积神经网络（CNN）模型，将其作为分类器，基于光谱或高光谱数据实现两类小麦籽粒的鉴别。研究进一步对训练集数据实施数据增强处理，并重新训练所构建的二维、三维及混合型卷积神经网络模型，将验证集上的模型性能与数据增强前的结果展开对比分析。
实验结果表明，数据增强处理对二维、三维及混合型卷积神经网络模型的性能提升具有积极作用；所构建的四款模型在轻度发芽与正常小麦籽粒分类任务中均表现优异，在测试集上的分类准确率分别为：一维卷积神经网络模型 96.81%、二维卷积神经网络模型 96.02%、三维卷积神经网络模型 98.40%、混合型卷积神经网络模型 98.12%。
研究结论显示，本研究所提出的模型（尤其是分类准确率最高的三维卷积神经网络模型，以及可训练参数最少的混合型卷积神经网络模型）具备良好的应用前景，可作为鉴别发芽与正常小麦籽粒的有效分类工具。 -
基于神经网络的POLIVAR模型开发用于预测和识别单一品种橄榄油
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/等级评定食品标签
植物油 食品安全与风险评估 脂质与脂肪酸消费者对特性差异化的单品种橄榄油需求日益增长，这就要求建立系统化的检测流程与工具，以甄别橄榄油市场中的掺假或品质劣变行为。此外，橄榄品种也是一项关键认证依据，可证明橄榄油符合欧盟认证的地理标志保护产品标准。
本研究旨在通过人工神经网络（ANN） 算法，构建一套单品种橄榄油预测鉴别模型。该模型仅需输入少量化学参数，即可实现高精度的品质管控。模型构建的数据源来自西班牙卡斯蒂利亚 - 拉曼恰产区内，124 个获得原产地保护认证及品质标识认证的橄榄种植地块。
实验结果受不同化学参数含量的影响呈现梯度变化：仅分析一种参数（十七碳烯酸） 时，模型的总体判别准确率（OAA）为 62.35%；纳入三种参数（硬脂酸、油酸及菜油甾醇浓度） 后，总体判别准确率提升至 91.50%；当参数数量增至五种（棕榈酸、硬脂酸、亚油酸、花生酸及菜油甾醇浓度） 时，总体判别准确率高达 98.79%。
本研究开发的POLIVAR（橄榄油品种预测）模型可实现对主流单品种橄榄油的精准鉴别，为保障产品品质与维护消费者权益提供了有效技术工具。 -
基于近红外高光谱成像与化学计量学的单个黑水虻幼虫蛋白质含量测定
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 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱食品标签
昆虫蛋白 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸为满足人口增长带来的蛋白质需求，替代蛋白产业迅速兴起，进而推动了食用昆虫市场的发展。黑水虻（Hermetia illucens L.）幼虫因富含脂肪、蛋白质及矿物质，在全球范围内被广泛研究，目前其主要用途为动物饲料。传统化学分析法用于测定黑水虻幼虫的营养成分时，存在耗时费力的弊端。
本研究基于近红外高光谱成像技术（NIR-HSI），结合偏最小二乘回归（PLSR）与支持向量机回归（SVMR）算法，构建了可实现单头完整黑水虻幼虫总蛋白含量快速预测的模型。为提升回归模型性能，研究引入区间偏最小二乘法（iPLS）与遗传算法（GA）开展特征变量筛选。此外，通过主成分分析（PCA）对黑水虻幼虫的高光谱图像进行解析，结果直观呈现出幼虫体内不同化学成分的分布特征。
PLSR 与 SVMR 模型的预测均方根误差（RMSEP）介于1.57%~1.66%，残差预测值（RPD）为2.0~2.5，表明模型对蛋白含量区间为 25.5%~43.5% 的样品具备良好的近似预测能力。基于绝对误差的对比结果显示，采用 iPLS 筛选的特征变量所构建的回归模型，性能优于 GA 筛选变量构建的模型。化学成像图谱清晰展现了单头幼虫及幼虫群体中蛋白质的非均一分布特征。
本研究证实，近红外高光谱成像技术结合化学计量学方法，可作为一种快速筛查手段，实现单头黑水虻幼虫蛋白质含量的高效测定。
