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
-
手持光谱仪评估鲤鱼和鳟鱼片新鲜度与标准方法的比较研究
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 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据食品标签
其他肉与水产品 其他品质相关性质 光谱/色谱/质谱等分析方法本研究评估了三款便携式近红外光谱仪（TellSpec、SCiO、MicroNIR）在监测有机鲤鱼片与湖鳟鱼片新鲜度方面的应用潜力。为支撑不同光谱仪的性能比对，研究同时采用标准检测方法获取多维度指标数据，包括生物胺含量、微生物指标、挥发性盐基氮（TVB-N）含量、脂肪酸组成、汁液流失率、色泽及质构变化，此外还结合动态顶空 - 气相色谱 - 飞行时间质谱（DHS-GC-TOFMS） 开展非靶向代谢组学分析。
实验对鱼片在 4℃条件下贮藏 1、3、6、9 天后的样品进行检测，分别采用判别分析与类别建模方法 ——正交偏最小二乘判别分析（OPLS-DA） 和数据驱动型类比软独立建模法（DD-SIMCA），以评估便携式近红外光谱仪区分鲜品与腐败鱼片的性能。研究将近红外光谱数据与标准检测方法所得数据进行相关性分析，筛选出能够表征鱼片腐败进程的特征波长集，并进一步验证这些特征波长对化学计量学模型性能的优化效果。
结果显示，便携式近红外光谱仪对鲤鱼片的新鲜度判别灵敏度与特异性均较高：OPLS-DA 模型灵敏度达 88%~100%、特异性达 88%~100%；DD-SIMCA 模型灵敏度达 100%、特异性达 60%~100%。然而，针对湖鳟鱼片的判别中，两种分类模型的灵敏度与特异性均低于鲤鱼片。
仅保留与标准检测数据（含 DHS-GC-TOFMS 代谢组学数据）具有相关性的特征波长后，TellSpec 与 MicroNIR 光谱仪对湖鳟鱼片的判别模型性能得到显著提升，但 MicroNIR 与 SCiO 光谱仪所构建的鲤鱼片判别模型性能未获改善。
综上，研究证实，所测三款便携式近红外光谱仪对不同鱼类的新鲜度判别效果存在物种特异性差异。便携式近红外光谱仪可作为鱼类新鲜度现场快速检测的有效工具，但主要适用于初筛环节；若需对现场检测结果进行确证，仍需借助实验室标准检测方法，针对腐败特征指标开展定量分析。 -
液相色谱-高分辨质谱联用技术用于坚果分类与标志物鉴定
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 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质坚果籽类制品掺假行为不仅构成经济欺诈，其含有的过敏原还会对人体健康造成威胁。本研究基于非靶向液相色谱 - 高分辨质谱联用技术（LC-HRMS），对 10 种不同品类坚果的代谢组学多样性展开全面分析。
研究首先对 LC-HRMS 指纹图谱数据进行偏最小二乘判别分析（PLS-DA），所构建的多类别判别模型经外部验证后，分类准确率达到 100%。随后，通过构建一对一偏最小二乘判别分析模型（即单一坚果品类与其他所有品类样品两两比对），依据模型输出的变量投影重要性（VIP）值，筛选出 136 种判别性化合物，并结合高分辨质谱数据对其进行初步定性与鉴定。
最后，本研究以实际案例验证技术可行性：选取部分筛选得到的特征标志物，结合偏最小二乘（PLS）回归法，通过靶向 LC-HRMS 分析，成功实现对杏仁基制品掺假（掺杂榛子或花生）的定性检测与定量分析。
综上，基于本研究筛选得到的特征标志物，未来可进一步开发成本更低的检测技术，构建新型坚果籽类制品成分表征与掺假鉴别方法。 -
基于多频微波介电特性与SPA-PLSDA算法的谷物霉变快速识别方法
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 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
大米 微生物安全 光谱/色谱/质谱等分析方法为实现粮食霉变发生情况的原位监测、保障食品安全，本研究以稻谷为研究对象，基于微波介电特性开展稻谷霉变判别研究。
研究采用多频扫测技术，采集了健康稻谷样品及不同霉变含量稻谷样品在2.00~10.00 GHz 频段的介电常数（DC）与介电损耗因子（DLF）光谱数据。为筛选最优特征频率，本研究通过连续投影算法结合偏最小二乘判别分析的耦合算法，生成 20 个频率子集（介电常数子集 1~10、介电损耗因子子集 1~10）；随后采用穷举法，从两类频率子集的 100 组两两组合中筛选出 4 个关键特征频率。
研究以关键频率下的介电特性参数及样品厚度为输入变量，构建稻谷霉变判别模型。结果显示，所建微波介电特性模型对健康与霉变稻谷样品的判别准确率达100%，具备理想的判别有效性。此外，针对霉菌污染程度较低（霉菌污染量≤30%）的样品，模型误判率仅为 4.4%，整体判别准确率高达 97.29%。
本研究结果可为食品加工及农业相关领域开展介电特性法霉变检测研究提供参考与借鉴。 -
大米产地和品种评估的指纹图谱方法：开发、验证与数据融合实验
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 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
大米 质量管理与追溯系统 光谱/色谱/质谱等分析方法本研究选取多种分析技术，包括近红外光谱（NIR）、中红外光谱（MIR）、高光谱成像（HSI）、气相色谱 - 质谱联用（GC-MS）及质子转移反应飞行时间质谱（PTR-TOF-MS），结合化学计量学方法，以稻米为研究对象，系统评估上述技术在解决食品真实性鉴别问题中的应用潜力。
研究共采集分析了 237 份稻米样品，样品源自意大利、西班牙、越南、巴基斯坦及泰国等主产国，旨在实现稻米的产地溯源与品种鉴别。实验采用高斯过程隐变量模型（GP-LVM），将多维数据压缩至二维空间并生成具有明确物理意义的降维表征，随后结合最近邻算法完成分类建模。
产地溯源结果显示，GC-MS 技术在所有待测国家样品的鉴别中均表现优异，是准确率最高的检测方法，预测正确率介于 86%~94%；将 GC-MS 分别与 NIR、HSI 技术进行数据融合后，产地溯源的预测正确率均超过 90%。
基于上述分析技术开展的品种鉴别实验表明：单一技术中，HSI 对所有稻米品种的鉴别预测正确率均高于 90%，区间为 96%~99%；数据融合实验中，GC-MS 与 NIR 联用的鉴别预测正确率均达到或高于 92%；而 GC-MS 与 HSI 联用后，所有品种的鉴别预测正确率均高达 98%。
综上，本研究提出的技术方法可成功应用于稻米的真实性鉴别。 -
手持式元素扫描仪在虾产地认证中的新应用
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 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
甲壳类 质量管理与追溯系统 光谱/色谱/质谱等分析方法 矿物质与微量元素元素指纹图谱技术已发展为一种高效的端到端食品产地溯源工具，但多数检测仪器依赖实验室操作，存在分析耗时久、难以普及的问题，阻碍了该技术在食品行业的规模化应用。
为解决上述痛点，本研究以澳大利亚不同产地的斑节对虾（Penaeus monodon）为研究对象，评估了手持式 X 射线荧光光谱（XRF）扫描仪作为原位快速检测手段的产地溯源性能。为明确该技术在水产品产地溯源中的应用局限与潜力，研究系统考察了产地分类维度（采样位点、行政辖区、养殖模式）、样品前处理方式（熟制 vs 生鲜）及生物学性状（甲长、体重、性别）三类因素，解析其对多元元素指纹图谱的主导影响机制。
结果表明，采样位点是影响元素指纹图谱的核心变量，其特异性作用显著超过行政辖区与养殖模式（养殖 vs 野生）的贡献。生鲜样品的元素指纹图谱在不同类别间差异更显著，因此更适用于产地溯源分析。
为模拟技术的实际应用场景，研究构建并验证了机器学习分类模型，实现对斑节对虾的采样位点、行政辖区及养殖模式的精准判别。基于生鲜样品数据的模型表现出优异的判别准确率：采样位点判别准确率达 87.5%，行政辖区判别准确率为 98%，养殖模式判别准确率高达 100%。
综上，本研究证实，手持式 XRF 技术作为产地溯源的一线筛查技术，可在市场交易现场或供应链环节发挥实用价值。这一创新性技术有望推动便携式元素指纹图谱技术在供应链产地溯源中的普及应用，助力构建更具可持续性与伦理规范性的水产品贸易体系。
