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
-
简便快速检测芥花油掺假：NMR与无监督机器学习
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 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸芥菜籽油（Brassica juncea）的 ω-3 与 ω-6 多不饱和脂肪酸比例适宜，且单不饱和脂肪酸含量高、反式脂肪酸含量低或不含反式脂肪酸。掺假行为会改变此类脂肪酸的组成比例，进而对人体健康造成不良影响。
目前已有多种食用油掺假检测技术，其中核磁共振（NMR）技术的检测精度最为先进。该技术可用于脂肪酸组成特征分析，仅需 2 分钟检测时长，且样品前处理操作简便，能够通过光谱特征的细微偏差实现油品质量的精准判定。
本研究聚焦于利用核磁共振光谱化学标志物鉴别芥菜籽油中的掺假成分（如米糠油、棕榈油及刺桐油）。研究将核磁共振光谱数据与无监督机器学习算法（主成分分析，PCA）相结合，实现了检测分析流程的自动化。主成分分析结果显示，纯品芥菜籽油与掺假样品的聚类可实现清晰区分。基于该技术方案，即使是芥菜籽油中低至 2% 的微量刺桐油无意掺假，也能被精准检出。
此外，纯品与掺假芥菜籽油样品主成分分析聚类间的马氏距离（MD），可用于量化表征不同样品的光谱差异程度。实验结果表明，本实验室提取的纯品芥菜籽油与市售样品的主成分分析聚类间马氏距离数值较低（二者光谱特征高度相似）；而掺假样品与纯品样品的主成分分析聚类间马氏距离数值则相对较高（二者光谱特征存在明显差异）。 -
计算机视觉系统在屠宰场肉类安全保障中的应用：系统性综述
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 可见光/RGB/视频数据食品标签
肉类/蛋类与水产品 食品安全与风险评估 显微与成像技术2017-2019 年，欧盟出台新版食品生产官方监管法规，准许将计算机视觉系统（CVS） 作为辅助工具，应用于牛、猪、家禽的肉类检疫工作。
本研究开展了一项系统性文献综述，旨在筛选并分析有关屠宰场中计算机视觉系统性能的相关文献 —— 这些系统主要用于动物宰前、宰后兽医检疫及肉类安全保障，涵盖胴体 / 器官污染与病变的检测系统。本次综述共筛选并分析了 62 篇文献，其中 35 篇报道了计算机视觉系统在胴体 / 器官病变检测中的性能，27 篇涉及胴体污染检测相关研究。从适用对象来看，针对肉鸡胴体及器官安全保障的计算机视觉系统相关文献有 53 篇，针对猪肉与牛肉的则分别为 5 篇与 4 篇。
研究发现，并非所有已研发的计算机视觉系统都完成了有效性验证，仅有 3 篇文献报道了屠宰场场景下系统性能与官方兽医检疫表现的实时比对结果。文献记载的多数计算机视觉系统性能指标（即灵敏度与特异性）均高于 80%。对于食品生产企业而言，检测病变与胴体污染时的高特异性（即低假阳性率）至关重要，这有助于最大限度减少食品浪费；而高灵敏度（即低假阴性率）则是生产健康安全肉类产品的核心要求。
目前，已有的针对肉鸡胴体及器官全面安全保障所开发的计算机视觉系统，虽表现出极高的灵敏度，但特异性仍未达到最优水平，这表明相关系统仍需进一步研发与优化。 -
透视塑料：结合近红外高光谱成像与光谱正交化的新方法，用于检测塑料包装内的新鲜水果以支持超市无条形码自动结账
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
主成分分析/判别分析 模型轻量化/边缘计算 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
新鲜水果 光谱/色谱/质谱等分析方法 传统统计分析与回归 益生菌菌株基于机器视觉与先进图像识别算法的超市全自动无条形码结账系统正日益普及。无条形码自助结账设备的核心环节在于商品识别 —— 需在消费者完成支付结算前，将识别出的商品准确录入清单。
在现有科研文献与工业应用中，预包装商品的图像识别技术已发展得较为成熟。然而，当识别对象为半透明塑料包装内的生鲜农产品时，商品检测与识别便成为一大技术难点（消费者选购新鲜水果并使用塑料包装盛装是常见场景）。
针对这一问题，本研究提出一种基于近红外高光谱成像结合光谱正交化技术的创新解决方案，旨在消除成像视野中塑料包装对生鲜商品的光谱干扰。该方法的核心原理为：利用塑料材质的独立纯净光谱，构建一个干扰子空间，并将高光谱成像场景正交投影至该子空间；通过这一操作，可有效剔除塑料包装的光谱贡献，从而更清晰地获取包装袋内水果的光谱特征信息。
该技术可为超市自助结账流程提供技术支撑，有效提升生鲜商品的识别精度。 -
使用闪蒸气相色谱电子鼻结合机器学习快速鉴别和定量生乳中植物油掺假
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 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法本研究建立了一种基于闪蒸气相色谱 - 电子鼻（FGC E-nose）技术结合四种机器学习算法的生乳植物油掺假检测方法。实验通过在脱脂乳样品中添加玉米油、棕榈油（PO）、大豆油及调和油，模拟生乳掺假场景。
定性分析结果显示，随机森林（RF）与支持向量机模型的检测效果优异，分类准确率分别达 1.000 和 0.9565，F1 分数分别为 0.9625 和 0.9778。在掺假生乳的棕榈油含量定量分析中，对比四种算法的预测模型性能，随机森林算法表现最优，决定系数（R2）达 0.9792，均方根误差为 0.2583。
模型验证阶段，通过实际样品检测进一步证实了所提方法在生乳植物油掺假检测中的有效性。综上，闪蒸气相色谱 - 电子鼻结合机器学习技术，可作为一种快速、精准检测生乳植物油掺假的有效手段。 -
基于卷积神经网络的稳定同位素和矿物元素指纹在海南山茶油产地鉴别中的应用
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 卷积神经网络 分类/鉴别/等级评定食品标签
植物油 质量管理与追溯系统 光谱/色谱/质谱等分析方法 矿物质与微量元素油茶籽油是我国特有的高端木本食用植物油，其中海南产油茶籽油因品质独特、价值较高而备受认可。保障海南油茶籽油的产地真实性，对维护其市场声誉与质量安全至关重要。
为此，本研究探究了稳定同位素与矿质元素在海南油茶籽油产地溯源中的应用潜力，采用稳定同位素质谱仪与电感耦合等离子体质谱仪，对油茶籽油中的 3 种稳定同位素及 21 种矿质元素进行检测分析。结果表明，不同产区油茶籽油的稳定同位素比值与矿质元素含量存在显著地域差异。
本研究构建的卷积神经网络（CNN）模型，分类准确率优于正交偏最小二乘判别分析（OPLS-DA）、支持向量机（SVM）及随机森林等常用分类模型：该模型不仅能以 93.33% 的准确率区分海南产油茶籽油与其他主产区产品，还能以 98.57% 的准确率精准鉴别海南省境内不同产区的油茶籽油。
综上，稳定同位素与矿质元素特征可作为鉴别油茶籽油产地的有效指标，本研究成果有助于填补我国油茶籽油产地溯源技术的空白。
