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
-
基于二维相关光谱和深度学习的高质量麦卢卡蜂蜜中廉价蜂蜜掺假的定量分析
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
深度学习 偏最小二乘法 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法在高价值蜂蜜中掺入廉价蜂蜜的行为，不仅会危害消费者健康，其检测工作也具有较大挑战性。本研究提出一种快速、无损且经济高效的光谱检测策略，该策略基于拉曼光谱的二维相关光谱（2D-COS）技术，结合多种深度学习方法，实现蜂蜜掺假的定量检测。
研究采集了麦卢卡蜂蜜、洋槐蜂蜜及多花种蜂蜜的 700 条拉曼光谱，并据此生成对应的同步二维相关光谱、异步二维相关光谱及积分相关光谱。通过 t 分布随机邻域嵌入算法（t-SNE）与偏最小二乘回归算法（PLSR），对同一样品的一维拉曼光谱数据与二维相关光谱图像数据集进行对比分析，结果表明二维相关光谱技术能够凸显样品的复杂指纹特征，进而提升光谱表征能力。
对比不同建模方案后发现，同步二维相关光谱结合深度残差收缩网络（DRSN）的模型性能最优：其对麦卢卡蜂蜜掺假定量预测的均方根误差（RMSEP）为 3.1166，对洋槐蜂蜜掺假定量预测的均方根误差为 2.3188。该光谱检测方法的优异性能，足以实现对廉价蜂蜜掺假行为的精准定量。本研究为蜂蜜掺假检测提供了一种新型技术方案，有助于高价值蜂蜜产品的真伪鉴别。 -
通过多因素分析与建模控制金华火腿中组织蛋白酶B的活性
查看原文
2023
Food Control
中科院一区JCR一区
计算机标签
深度学习 定量预测/回归分析食品标签
肉类发酵制品 传统热加工 发酵工艺与动力学金华火腿中组织蛋白酶 B 的活性受多种加工参数影响，本研究采用多层人工神经网络（ANN）对这些影响因素展开探究与定量分析。加工温度、pH 值及氯化钠含量是影响火腿品质的关键因素，研究探讨了单因素效应及两因素或三因素间的多元交互作用。基于所构建的人工神经网络模型，研究进一步表征了组织蛋白酶 B 的实际酶活性。
结果表明，高温（高于 60℃）、碱性环境或钠离子（Na +）的添加均会显著降低该酶活性（p<0.05）；酶活性的最优条件为温度 40℃、pH 值 6.0。当温度为 20℃或 pH 值处于 6.5~7.0 区间时，氯化钠的存在会导致酶活性不稳定，这表明温度、pH 值与氯化钠含量三者之间存在极显著的交互作用（p<0.01）。此外，人工神经网络模型的预测值与真实值拟合度良好，相关系数达 0.98468；该模型还补充揭示了浓度在 0.4~0.6 mol/L 范围内的氯化钠对组织蛋白酶 B 活性的作用规律。本研究结果可为金华火腿的生产实践，以及组织蛋白酶 B 的构效关系研究提供参考。 -
基于近红外光谱的便携式系统检测姜黄中淀粉掺假
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 随机森林 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 光谱/色谱/质谱等分析方法鉴于食品掺假问题引发的广泛担忧，实验室通常会开展分析检测以评定并保障食品品质。然而，依赖化学试剂或大型仪器的传统分析方法往往耗时久、成本高。为此，本研究提出一种高效检测姜黄中淀粉类掺假剂的方法，该方法兼具环保、经济、快速的优势。近红外光谱技术（NIR）恰好满足上述全部要求，在常规质量检测中具有巨大应用潜力。
实验未采用传统大型昂贵的分光光度计，而是借助小型化的德州仪器 DLPNIRscan Nano 光谱模组，采集 900 nm–1700 nm 波段的样品反射光谱。研究制备了淀粉掺假比例为 0%–50% 的系列姜黄样品，并采用 Savitzky–Golay（SG）滤波器对所采集的光谱数据进行预处理。随后，利用多种机器学习（ML）模型对光谱数据开展训练与测试，同时通过主成分分析（PCA）法降低数据维度并验证其降维效果。
本研究选取决定系数（R 2）、交互验证均方根误差（RMSEV）、平均绝对误差（MAEV）及留一法交叉验证（LOOCV）等多项指标，对各机器学习模型的性能进行综合评价。结果显示，极端随机树回归器（ETR）模型的性能显著优于其他模型，其决定系数达 0.995，交互验证均方根误差为 1.056 mg（质量分数），平均绝对误差为 0.597 mg（质量分数）；留一法交叉验证的决定系数为 0.994，交叉验证均方根误差为 1.038 mg（质量分数）。 -
基于非靶向HPLC-UV-FLD指纹图谱和化学计量学对不同地理来源刺梨的分类
查看原文
2024
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 随机森林 主成分分析/判别分析 分类/鉴别/等级评定食品标签
新鲜水果 质量管理与追溯系统 光谱/色谱/质谱等分析方法本研究首次提出一种基于高效液相色谱 - 紫外检测（HPLC-UV）与高效液相色谱 - 荧光检测（HPLC-FLD）技术的新型非靶向分析策略，用于鉴别中国贵州省 8 个产地的刺梨样本。研究借助 HPLC-UV-FLD 联用仪，同步采集样品的 HPLC-UV 与 HPLC-FLD 指纹图谱；随后对指纹图谱数据依次进行低层数据融合与变量降维处理，再开展化学计量学分析。
基于所得指纹图谱的信号类型与数据维度差异，本研究设计并对比了四种刺梨产地分类策略。在前三种策略中，研究人员分别以三类一维指纹图谱（HPLC-UV、HPLC-FLD 及 HPLC-UV-FLD 融合图谱）为数据基础，采用偏最小二乘判别分析（PLS-DA）、主成分分析 - 线性判别分析（PCA-LDA）及随机森林（RF）三种有监督分类方法构建判别模型。此外，研究还以 HPLC-FLD 获取的二维指纹图谱为依据，建立了多维偏最小二乘判别分析（NPLS-DA）模型。
对比结果显示，基于 HPLC-UV-FLD 一维融合指纹图谱的 PLS-DA 模型表现最优，其交互验证正确率、训练集正确率及测试集正确率分别达 98.8%、100% 和 96.9%。本研究首次将非靶向色谱指纹图谱技术应用于刺梨产地分类问题，为该果实的产地溯源提供了新的技术路径。 -
基于机器学习的高光谱成像无损验证绿咖啡豆的洲际、国家和区域来源
查看原文
2024
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 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 食品安全与风险评估 质量管理与追溯系统 光谱/色谱/质谱等分析方法咖啡是产地溯源欺诈的高发目标产品，因此亟需更快速、经济且可持续的溯源技术方案。本研究首次探究近红外高光谱成像技术（HSI-NIR）结合先进机器学习模型在咖啡产地快速无损分类中的应用潜力，研究目标包括两方面：（1）明确近红外高光谱成像技术在不同产地尺度（洲际、国家、产区）下的分类灵敏度；（2）筛选具有判别意义的特征波长区间。
实验采集三大洲、八个国家及 22 个产区的生咖啡豆样品，对其开展近红外高光谱成像分析，并对比偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、径向基函数支持向量机（RBF-SVM）及随机森林（Random Forest）四种机器学习模型的分类性能。结果显示，线性支持向量机模型在洲际、国家及产区三个尺度上均实现近乎精准的分类，同时还具备特征筛选的应用优势。本研究证实，近红外高光谱成像技术结合机器学习方法，可实现咖啡产地的快速无损筛查，且无需对样品进行前处理。
