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
-
基于非靶向代谢组学与机器学习方法按气候与产区鉴别绿豆
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 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他植物化学物质绿豆因兼具丰富的营养价值与生物活性功能，是我国重要的食用豆类作物。然而，不同气候带及种植产区的绿豆品质特征仍有待明确。本研究采用基于超高效液相色谱 - 四极杆飞行时间质谱（UPLC-QTOF-MS） 的非靶向代谢组学技术，结合机器学习方法，对不同气候带及种植产区的绿豆进行对比分析与产地判别。
基于正交偏最小二乘判别分析（OPLS-DA） 的结果显示：在 3 个气候带的绿豆样品中鉴定出 39 种差异代谢物，在 11 个种植产区的样品中鉴定出 35 种差异代谢物。这些差异代谢物主要包括脂质类、黄酮类、大豆皂苷类、氨基酸类、多肽类、吲哚类衍生物及有机酸类物质。
研究进一步构建并优化了随机森林（RF） 与支持向量机（SVM） 模型，用于不同气候带及种植产区绿豆的判别分析。结果表明，支持向量机模型的判别性能优于随机森林模型，其对绿豆气候带与种植产区的判别准确率分别达到100% 和98.72%。
本研究证实，非靶向代谢组学结合机器学习技术，可作为鉴别不同气候带及种植产区绿豆的有效手段。 -
比色传感器在无损预测福建牡蛎总挥发性盐基氮（TVB-N）含量中的应用
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 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
软体与贝类 食品安全与风险评估 光谱/色谱/质谱等分析方法挥发性盐基氮（Total Volatile Basic Nitrogen, TVB-N）含量是水产品安全性评价的核心指标之一。本研究构建一种集成成像模块与可见 - 近红外光谱模块双数据采集单元的比色传感阵列技术（Colorimetric Sensing Array, CSA），旨在实现对福建牡蛎中 TVB-N 含量的无损预测。
研究采用三种数据融合策略，结合变量组合种群分析（Variable Combination Population Analysis, VCPA）、蚁群算法及竞争性自适应重加权采样法等变量筛选方法，建立偏最小二乘（Partial Least Squares, PLS）模型以预测牡蛎的 TVB-N 含量。结果显示，双信息模块数据融合的建模效果显著优于单一模块数据建模；其中，基于高阶融合 - VCPA 策略的模型性能最优，预测集相关系数（R p）达 0.9128。
本研究证实，比色传感阵列技术有望应用于福建牡蛎 TVB-N 含量的无损监测。 -
高光谱成像在碎牛肉掺假检测中的多变量优化：旨在开发预测掺假碎牛肉及用于数字分选的通用算法
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 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 食品安全与风险评估 质量管理与追溯系统 光谱/色谱/质谱等分析方法牛肉糜（Minced Beef Meat, MBM）因其兼具营养价值与风味而具有较高的经济价值，因此易成为经济利益驱动型掺假的目标。为保障牛肉糜的真实性与安全性，亟需建立高通量的掺假检测方法。本研究评估了400~1000 nm 波段高光谱成像技术（Hyperspectral Imaging, HSI） 结合多元分析方法的可行性，旨在构建可检测牛肉糜中其他肉类掺假的通用模型。
研究采用偏最小二乘回归法（Partial Least Squares Regression, PLSR）、集成蒙特卡洛变量筛选法（Ensemble Monte Carlo Variable Selection Method, EMCVS），并结合多种光谱预处理方法及其两两组合方案，对所扫描样品中的牛肉糜含量进行预测建模。模型的校正集数据来源于掺有鸡肉糜和火鸡肉糜的牛肉糜样品，验证集数据则采用掺有猪肉糜的牛肉糜样品；掺假比例设置为 0~51%，梯度间隔约为 3%。
结果表明：经不对称最小二乘法（Asymmetric Least Squares, AsLs）结合标准正态变量变换（Standard Normal Variate, SNV） 预处理的反射光谱，通过 EMCVS 筛选出 23 个特征波长后，所建立的牛肉糜预测模型性能最优 —— 预测决定系数（R p2）达 0.96，预测均方根误差（RMSEP）为 2.9%，残差预测值（RPD）达 5.4。
为验证模型通用性，研究进一步制备了掺有羊肉糜和鸭肉糜的牛肉糜独立验证集样品，掺假比例为 3%~21%。全波段模型预测效果良好（R p2=0.94，RMSEP=3.92%，RPD p=3.83）；而基于筛选出的 9 个最优特征波长（484、508、593、596、602、736、739、924 和 960 nm）所建立的模型，预测性能更为优异（Rp2=0.95，RMSEP=2.78%，RPD p=5.29）。此外，本研究采用偏最小二乘判别分析法（PLS Discriminant Analysis, PLS-DA），结合 EMCVS 变量筛选与光谱预处理技术，构建牛肉糜与其他掺假肉类的判别模型。基于筛选出的 12 个特征波段，该模型在校正集、交叉验证集及预测集均实现了近乎完美的判别效果。
综上，本研究建立了一种基于特征波段筛选的高通量、通用型肉糜掺假定量检测与定性判别方法。该方法可为研发低成本便携式牛肉糜掺假分选传感器提供技术支撑，同时证实了构建牛肉糜掺假通用检测模型的可行性。 -
基于¹H NMR和多变量数据融合快速鉴定和定量牛肉碎中猪肉和鸭肉的二元与三元掺假
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 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸本研究采用氢核磁共振波谱（¹H NMR）结合化学计量学方法，成功实现了牛肉糜中掺杂猪肉、鸭肉的快速定性鉴别与定量检测。主成分分析（PCA）结果显示，牛肉中蛋氨酸与谷氨酰胺的含量相对更高，这或许是区分牛肉与猪肉、鸭肉的关键特征。通过正交偏最小二乘判别分析（OPLS-DA）模型，无论是二元掺杂（牛肉中掺入单一肉类）还是三元掺杂（牛肉中掺入两种肉类）的牛肉样品，均能实现 100% 准确判别。研究筛选出亮氨酸、异亮氨酸、蛋氨酸及谷氨酰胺这四种物质，作为牛肉掺假检测的潜在标志物。经外部样品验证，偏最小二乘（PLS）定量模型对二元与三元掺假比例的预测结果准确可靠，其预测决定系数（R p2）分别达 0.9153 和 0.9348，预测均方根误差（RMSEP）则分别为 0.1112 和 0.0821。上述研究结果为牛肉掺假检测提供了全面的技术视角，进一步完善了肉类制品真伪鉴别体系。
-
基于超声波检测和LightGBM回归预测油炸豆腐的弹性和凝聚力
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
深度学习 随机森林 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 传统热加工 质构与流变测试 其他方法本研究提出一种超声检测结合机器学习算法的方法，旨在实现油炸豆腐加工过程中回弹性与内聚性的定量预测及可视化表征。研究人员对超声检测数据依次进行离散小波变换、主成分分析（PCA）降维及蒙特卡洛交叉验证（MCCV）异常值处理等预处理操作。随后，分别采用极端梯度提升（XGBoost）、随机森林（Random Forest）、轻量级梯度提升机（LightGBM）及人工神经网络（Artificial Neural Network）四种机器学习算法构建预测模型，并对比各模型的预测性能。结果表明，离散小波变换结合轻量级梯度提升机（LightGBM）的模型表现最优：其预测回弹性与内聚性的决定系数（R p2）分别达 0.969 和 0.956，预测均方根误差（RMSEP）分别为 1.81 和 2.11。该结果满足油炸豆腐质构特性的预测要求。本方法为油炸豆腐质构特性检测提供了一种新颖、快速且高效的无损技术方案，在食品工业领域具有实际应用价值。
