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
-
使用便携式近红外光谱仪与化学计量学预测黑水虻幼虫粉中的蛋白质与脂质含量
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 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 红外/拉曼光谱数据食品标签
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 脂质与脂肪酸黑水虻幼虫可将废弃物转化为优质蛋白质与脂质，契合循环经济发展要求。鉴于黑水虻幼虫从孵化至成熟阶段的生长周期较短（14 天～2 个月），昆虫养殖产业亟需建立高效快速的检测分析方法。
本研究评估了两台便携式近红外光谱仪（光谱仪 1：900~1700 nm；光谱仪 2：1350~2562 nm）的检测性能，并结合偏最小二乘回归法（PLSR）与支持向量机回归法（SVMR），构建黑水虻幼虫粉中蛋白质与脂质含量（%）的预测模型。研究首先采用主成分分析（PCA）对光谱数据集进行降维与特征探索。
模型性能结果显示，在蛋白质含量预测方面，基于两台光谱仪数据建立的 PLSR 模型与 SVMR 模型表现相近，残差预测值（RPD）均大于 2.5，预测均方根误差（RMSEP）均为 1.9%；而在脂质含量预测中，SVMR 模型的性能优于 PLSR 模型，其预测均方根误差为 3.51%，残差预测值达 4.32。此外，工作波段范围更宽的光谱仪 2，整体检测性能优于光谱仪 1。
研究进一步引入变量筛选步骤，通过区间偏最小二乘法（iPLS）与遗传算法（GA）优化 PLSR 模型，显著提升了模型预测精度。综上，便携式近红外光谱仪结合化学计量学方法，可为昆虫养殖产业提供高效快速的检测分析技术支撑。 -
嗅觉传感器结合化学计量学分析测定储存小麦中的脂肪酸
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
支持向量机 机器学习/统计学习 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸脂肪酸含量是衡量小麦储藏品质的核心指标。本研究提出一种基于嗅觉传感器技术的储藏小麦脂肪酸定量检测方法。
研究采用 12 种化学染料（卟啉类化合物）制备得到4×3 阵列式嗅觉传感器，用于采集储藏小麦的挥发性气味信息。通过 蜣螂优化算法（DBO） 筛选与小麦脂肪酸值高度相关的最优特征颜色变量组合，并构建基于支持向量回归（SVR）的小麦脂肪酸值检测模型。
结果表明，蜣螂优化算法可有效筛选出与小麦脂肪酸值密切相关的特征颜色变量；基于该算法筛选的 11 个特征颜色变量所构建的支持向量回归检测模型性能最优，其预测均方根误差低至 3.0384 mg/100g，预测相关系数（R p）达 0.9413。
综上，本研究制备的嗅觉传感器在粮食储藏品质检测领域具有良好的应用前景。 -
广义及异相二维相关分析结合三维卷积神经网络评估猪肉脂肪氧化
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 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 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸脂质氧化是导致肉类品质劣变的主要原因。高光谱成像（HSI）技术作为一种无损检测方法已备受关注，但猪肉高光谱数据存在复杂性与波段重叠问题，导致波段解析难度大、计算负荷过高。本研究提出一种结合二维相关光谱（2D-COS）分析的轻量化三维卷积神经网络（3D-CNN）模型，用于实现冷冻猪肉脂质氧化程度的监测。
通过广义二维相关光谱分析，本研究完成了可见 - 近红外（vis-NIR）高光谱成像的波段解析，并实现了猪肉劣变过程中各事件的变化序列监测。研究发现，硫肌红蛋白与氧合肌红蛋白易发生变化，且硫肌红蛋白和高铁肌红蛋白的分解过程发生于氧合肌红蛋白生成之前。此外，本研究首次采用异谱二维相关光谱分析，将可见 - 近红外光谱与荧光光谱进行关联分析，以挖掘可见 - 近红外高光谱成像的更多特征波段。
基于筛选出的特征波段高光谱图像，研究构建了轻量化 3D-CNN 回归模型，用于硫代巴比妥酸反应物（TBARS）含量的定量预测。结果显示，整合广义二维相关光谱与异谱二维相关光谱筛选出的波段，共得到 10 个特征波段。基于这些特征波段建立的 3D-CNN 模型，对 TBARS 含量的预测效果优良，预测决定系数（R p2）达 0.9214，预测均方根误差（RMSEP）为 0.0364 mg/kg。
综上，本研究为可见 - 近红外高光谱成像的波段定位与解析提供了方法参考，同时构建了一种端到端的新技术方案，可实现猪肉氧化损伤的快速无损监测。 -
基于比率型碳点/AgInS2量子点传感探针结合N-PLS化学计量学模型动力学测定组胺
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
水果/蔬菜与菌菇类/植物类 其他肉与水产品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归生物胺类化合物在人体内具有多项重要生理功能，但当其在食品中浓度过高时，会对人体健康造成严重危害。因此，开发快速、简便、经济且可靠的生物胺分析检测技术具有重要意义，该技术可作为食品质量的评价指标，同时规避潜在的健康风险。
基于此，本研究以碳点及3 - 巯基丙酸（MPA）包覆的银铟硫（AgInS₂, AIS）量子点作为荧光探针，构建比率型传感检测平台，并结合化学计量学方法，利用二阶数据对食品中的组胺含量开展动力学荧光定量检测。研究采用展开偏最小二乘法（U-PLS）与多维偏最小二乘法（N-PLS）对所得数据进行分析。模型优化结果表明，采用 N-PLS 建模可获得最优检测效果，且仅需5 分钟的动力学光谱采集时长即可保障检测结果的可靠性。
为验证方法有效性，本研究选取金枪鱼、番茄及无须鳕等不同复杂基质样品进行加标实验，并设置梯度浓度梯度。方法学性能指标验证结果证实，所建立的检测方法兼具适用性、准确性与高效性：预测决定系数高于 0.9，相对百分比误差低于 10%；方法检出限（LOD）与定量限（LOQ）分别低至 1.26 mg/L 与 3.80 mg/L，远低于欧盟法规规定的水产品组胺最大限值（200 mg/kg）。
值得注意的是，上述检测结果均是在样品含未校正干扰组分、且未使用有毒试剂的条件下获得，充分证明了本方法的实用性。综上，与传统检测方法相比，本研究所建立的分析方法不仅检测结果准确，且操作更为简便、检测效率显著提升。 -
整合高光谱成像、非靶向代谢组学与机器学习预测自然及人工老化甜玉米种子活力
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 时序传感器/物联网数据食品标签
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸明确并预测甜玉米种子的贮藏稳定性，对实现高效的供应链管理至关重要。然而，种子活力预测能力高度依赖人工加速老化（AA）试验数据，而该试验结果往往无法直接适用于自然老化（NA）种子。本研究整合高光谱成像技术（HSI）与非靶向代谢组学技术（液相色谱 - 质谱联用技术，LC-MS/MS），结合偏最小二乘回归法（PLS-R）、支持向量机回归法（SVM-R）及正交偏最小二乘判别分析（OPLS-DA），基于人工加速老化种子的数据集，构建自然老化种子活力衰减的预测模型。
研究首先明确了人工加速老化与自然老化种子的光谱变化模式存在差异。随后，分别利用全波段光谱数据，以及通过回归系数法筛选得到的有效特征波长（EWs）数据，构建基于人工加速老化的种子活力预测模型。采用独立的人工加速老化种子数据集与自然老化种子数据集，分别对模型进行外部验证。结果显示，模型对人工加速老化种子的活力预测效果良好（决定系数 R 2≥0.814），但对自然老化种子的预测精度较低（R 2≤0.696）。代谢组学分析鉴定出 54 种差异代谢物，其中大部分为氨基酸、二肽及其衍生物，这些物质是反映人工加速老化与自然老化种子老化机制差异的重要标志物。研究进一步发现，与 N-H 键相关的光谱波段可能是影响模型实用性的干扰因素。剔除该类相关特征波长后，基于人工加速老化的预测模型对自然老化种子的预测性能显著提升：“绿色超人” 品种的验证集决定系数（R v−22）由 0.696 提升至 0.720，“中天 300” 品种的验证集决定系数由 0.668 提升至 0.727。
综上，本研究证实，整合高光谱成像、液相色谱 - 质谱联用技术与机器学习方法，是实现贮藏甜玉米种子活力无损监测与预测的有效技术方案。
