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
-
基于非靶向ATR-FTIR指纹图谱与化学计量学检测特级初榨橄榄油与菜籽油、榛子油或红花油的三元混合物
查看原文
2022
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 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 脂质与脂肪酸针对特级初榨橄榄油（EVOO）中掺入三种未申报外源油脂混合物的掺假检测研究，目前鲜有文献报道。本研究旨在建立一种适用性强且灵敏度高的非靶向指纹图谱检测方法，基于衰减全反射 - 傅里叶变换红外光谱（ATR-FTIR）技术结合定性建模，实现对标准掺假水平（体积分数 20%）下的掺假体系检测 —— 该体系由一种低价不饱和油脂（红花籽油）与两种高油酸油脂（芥花籽油、榛子油）复配而成。
研究以自建的纯正特级初榨橄榄油光谱库作为参照数据源，在多元校正流程中，结合偏最小二乘判别分析（PLS-DA）与类比软独立建模法（SIMCA）两种方法，对二阶导数 ATR-FTIR 光谱数据进行异常值筛查。对所构建模型开展的阶段性外部验证结果表明，该方法对高难度掺假案例（即掺入 5% 芥花籽油与 15% 榛子油的样品）的检测灵敏度可达 100%。
考虑到不同产区、不同收获年份的纯正特级初榨橄榄油存在天然成分差异，且本研究涉及的掺假混合物体系较为复杂，各模型仍表现出较高的综合预测能力，预测准确率均高于 92%。研究同时证实，该方法具备向更低掺假水平（体积分数 10%）拓展应用的潜力。 -
基于MALDI-TOF MS与机器学习的热处理牛乳鉴别
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 支持向量机 随机森林 分类/鉴别/等级评定 组学数据食品标签
液态乳 品质、结构与理化性质 传统热加工 光谱/色谱/质谱等分析方法 蛋白质与氨基酸热力杀菌会改变乳及乳制品的分子组成与品质特性。鉴别不同条件下的热处理乳样品，对乳制品的真实性鉴定与质量管控具有重要现实意义。
本研究建立了一种基于基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）结合机器学习的简便精准方法，用于区分不同热处理工艺的乳样品。研究采集本地奶牛场的生乳样品，通过设置不同的加热温度与保温时长处理，实现对多梯度热负荷条件的覆盖。采用偏最小二乘判别分析（PLS-DA）、最小绝对收缩与选择算子（LASSO）及交叉验证递归特征消除法（RFECV）三种正交统计方法，从质谱数据中筛选特征肽段的信号。将筛选得到的特征肽段作为变量，用于机器学习模型的训练与测试。
研究共选取 14 种算法构建并评估热处理乳样品的判别模型，以准确率、召回率、F1 值为指标完成模型性能的对比与最优模型筛选。结果表明，线性核函数支持向量机（SVM-L）、随机森林（RF）、线性判别分析（LDA）及惩罚判别分析（PDA） 的性能最优，预测准确率分别达 0.97、0.96、0.96 和 0.96。
综上，基质辅助激光解吸电离飞行时间质谱分析结合机器学习算法，可有效实现对不同热处理乳样品的精准鉴别。 -
基于比色传感器阵列技术和仿生算法的便携式牛肉新鲜度检测平台用于总挥发性盐基氮测定
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/质谱等分析方法本研究将比色传感阵列（CSA） 与仿生优化算法相集成，构建了一套便捷的挥发性盐基氮（TVB-N）定量检测平台。
研究首先制备了包含 12 种显色敏感材料的比色传感阵列，用于采集牛肉的气味信息并生成可视化气味指纹图谱。其次，采用四种仿生优化算法 —— 蚁群优化算法（ACO）、粒子群优化算法（PSO）、模拟退火算法（SA）及鲸鱼优化算法（WOA），从比色传感阵列的指纹图谱中筛选特征变量。最后，构建结合特征显色组分的反向传播神经网络（BPNN）模型，实现对牛肉贮藏过程中 TVB-N 含量的定量检测，有效提升了模型的检测精度、稳健性与泛化能力。
结果表明，四种算法中鲸鱼优化算法的优化性能最优，其余算法性能排序依次为粒子群优化算法、蚁群优化算法、模拟退火算法。经 WOA 优化后，仅需 2 种显色材料即可实现牛肉贮藏期 TVB-N 的检测。基于这 2 种材料筛选出的 3 个特征变量所构建的 BPNN 模型，检测效果最佳，其校正均方根误差（RMSEC）为2.502±0.083 mg/100g，校正决定系数（Rc2）为0.966±0.002，预测均方根误差（RMSEP）为2.903±0.143 mg/100g，预测决定系数（Rp2）为0.952±0.006，残差预测值（RPD）为3.430±0.185。
综上，WOA-BPNN 模型可实现牛肉贮藏过程中 TVB-N 含量的高精度定量检测，同时减少比色传感阵列的制备耗材。比色传感阵列与高性能仿生算法的结合，有望成为一种便捷的食品新鲜度现场快速检测传感平台。 -
一种针对不同产地霉心苹果光谱模型的迁移学习方法
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 循环神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法本研究采用补偿模型与迁移学习模型两种方法，旨在提升霉变苹果果核检测模型对不同产地样品的适应性。实验采集了扶风、灵宝两个产区苹果的光谱数据，以偏最小二乘判别分析（PLS-DA）模型和最小二乘支持向量机（LS-SVM）模型为基础，分别构建了各产地的局部模型、全局模型及基于迁移成分分析（TCA）的迁移学习模型。
结果表明，补偿模型与基于 TCA 的迁移学习模型均能有效消除产地因素对模型性能的干扰。相较于补偿模型法，采用灵宝产区数据构建的基于 TCA 方法的 LS-SVM 模型，其特异性与准确率分别提升了 9.09% 和 4.54%。外部验证实验进一步验证了上述理论结果的可靠性。
本研究为解决单一产地模型适应性差的问题提供了切实可行的方案，同时也为霉变苹果果核的光谱检测建立了一套可靠且通用的方法。 -
模拟冲洗条件下饮料的紫外/可见吸光度趋势及数据驱动预测模型的开发
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/回归分析食品标签
饮料 过程控制与数字化 光谱/色谱/质谱等分析方法饮料生产过程中的用水管理需兼顾食品安全、产品品质与环境责任，实现三者的精细平衡。换味工序间的设备冲洗环节，是提升水资源利用效率的重要切入点。
本研究针对 20 种饮料，分别测定了其原液及稀释液（稀释倍数范围为 2 倍至 5000 倍）的紫外 - 可见（UV/Vis）吸收特性，以此模拟设备冲洗过程中的残留检测场景。研究证实，紫外 - 可见吸收检测法稳定性强，可精准识别冲洗水中的饮料残留组分；同时该检测法灵敏度高，对绝大多数饮料的检出下限可达 1000 倍及以上稀释浓度。相较于电导率检测法，紫外 - 可见吸收检测法对多数稀释样品的灵敏度更优，且其检测精度足以覆盖各类饮料的嗅味阈值范围。
研究进一步采用机器学习算法，构建了基于产品配料成分与稀释倍数的紫外 - 可见吸收特性预测模型。本研究结果表明，可通过部署在线紫外 - 可见吸收传感器，对饮料生产中的冲洗及其他工序进行实时监测与精准调控，从而实现水资源利用的最优化。
