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
-
基于深度学习特征提取的不同波长光实时检测黄曲霉毒素污染的无花果
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
深度学习 支持向量机 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 食品安全与风险评估 化学污染物 显微与成像技术黄曲霉毒素（AF）对食品的污染会对人类及动物健康构成严重威胁。无花果等多种农作物均易受到黄曲霉毒素污染。在无花果生产加工环节，工作人员通常采用亮绿黄色荧光法（BGYF），在紫外光照射下人工分拣受黄曲霉毒素污染的果实。这种人工分拣流程不仅对操作人员的专业能力有较高要求，且长期暴露于紫外辐射还可能危害人体健康。本研究旨在探索一种检测效能优于亮绿黄色荧光法的自动化检测技术，实现对黄曲霉毒素污染无花果的精准筛查，从而降低生产环节对人体健康的潜在危害，提升无花果生产加工的安全性。
研究首先探究了黄曲霉毒素与亮绿黄色荧光之间的相关性，结果表明，借助亮绿黄色荧光法检测黄曲霉毒素的检出率仅为 73%。随后，研究团队搭建一套搭载多波长光源（250~1000 nm）的光学成像系统，采集无花果样本图像并构建数据集；同时采用迁移学习方法，从图像数据中提取特征向量。进一步选用支持向量机（SVM）作为分类器，对经 365 nm 波长光源照射、并通过 MobileNetV2、ResNet101V2 及 InceptionResNetV2 三种模型提取的图像特征向量进行分类。实验结果显示，该方法对污染无花果的检测准确率达 100%，对未污染无花果的识别准确率为 92.3%，总体分类准确率达 96%。上述研究证实，基于深度学习提取的图像特征，可实现对黄曲霉毒素污染无花果的快速、自动化、高效检测。 -
基于近红外高光谱成像与化学计量学的藏红花中柱头掺杂检测
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 支持向量机 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 高光谱/多光谱光谱食品标签
香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法藏红花是一种高价值香辛料，极易成为掺假目标。本研究提出采用近红外高光谱成像技术（NIR-HSI）结合化学计量学方法，构建一种快速经济的藏红花柱头掺假检测与定量分析方案。实验通过向纯藏红花柱头中添加不同浓度（20%–90%）的藏红花花柱，制备得到系列掺假样品。光谱数据预处理采用标准正态变量变换（SNV）与多元散射校正（MSC）两种方法；变量降维则通过主成分分析（PCA）与偏最小二乘法（PLS）完成。定性分类建模选用线性判别分析（LDA）、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）及多层感知器（MLP）四种模型；定量分析则基于 PLS、PCA、SVM 和 MLP 构建回归模型。结果显示，所有分类模型均能高效区分纯藏红花、植物源性掺假物及掺假藏红花样品，正确分类率达 95.6%–100%。用于测定藏红花花柱掺假比例的回归模型预测性能优良，几乎所有模型的残差预测偏差（RPD）值均处于 3.0–5.4 区间。其中，基于 SNV 预处理结合 PLS 降维（提取 15 个潜变量）所构建的 MLP 模型（含 1 个隐含层、3 个神经元）表现出最优预测能力，其预测决定系数（Rp2）达 0.97、预测均方根误差（RMSEP）为 4.3%、残差预测偏差（RPD）为 5.4。研究结果证实，近红外高光谱成像技术结合化学计量学方法，在藏红花柱头中花柱掺假的快速无损检测与定量分析领域具有良好应用潜力。
-
基于多块数据方法的意大利鹰嘴豆地方品种表征与鉴别
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 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/质谱等分析方法本研究采用非靶向表征方法，对 2019 年采自意大利三个传统且地理位置相近产区的三种高附加值鹰嘴豆（Cicer arietinum L.）开展产地溯源鉴别研究，三个产区分别为：内韦利（阿布鲁佐大区，意大利中部）、奇切拉莱（坎帕尼亚大区，意大利南部）以及瓦伦塔诺（拉齐奥大区，意大利中部）。研究旨在开发并验证一种适用于常规检测的潜在无损方法，实现对高传统价值鹰嘴豆地方品种的产地溯源。
研究选取 146 粒分属三个品种的鹰嘴豆籽粒，首先对其外层组织采用衰减全反射 - 傅里叶变换 - 中红外光谱技术（ATR-FT-MIR）与傅里叶变换 - 近红外光谱技术（FT-NIR）进行检测；随后将每粒籽粒对半切开，利用上述两种光谱技术对横截面（包含内部与外部组织）开展分析。研究将光谱信息整合为四个数据模块，即中红外外层数据（MIRout）、中红外内层数据（MIRin）、近红外外层数据（NIRout）及近红外内层数据（NIRin），并对各模块分别进行偏最小二乘 - 线性判别分析（PLS-LDA）。结果显示，对鹰嘴豆籽粒外层光谱图谱的单模块分析（MIRout 与 NIRout 模块）取得了准确的判别结果；结合初步类别建模法的分析成果，证实建立无损鉴别方法具备实际可行性。
此外，为更深入解析四个数据模块中的信息，本研究进一步采用序列正交偏最小二乘 - 线性判别分析（SO-PLS-LDA）与序列正交协方差选择 - 线性判别分析（SO-Covsel-LDA）两种方法。同时通过投影变量重要性分析（VIP）筛选显著性变量，为分类模型提供直接的化学原理解释。 -
改进的DCGAN模型：基于高光谱图像的哈密瓜农药残留识别数据增强方法
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
深度学习 支持向量机 随机森林 生成对抗网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
新鲜水果 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法由于农药的不规范使用，哈密瓜农药残留问题日益引发关注，这一现象已构成潜在的食品安全隐患。因此，建立一套哈密瓜农药残留的快速无损检测方法迫在眉睫。本研究采用短波红外高光谱成像技术（SWIR-HSI）开展哈密瓜农药残留鉴别研究。针对不同农药残留类型的哈密瓜光谱数据集，提出一种基于改进型深度卷积生成对抗网络（DCGAN）的数据增强方法以扩充样本量。研究引入最近邻分类器（1-NN）对生成光谱的质量进行评估，以此确定模型的最优训练轮次。通过决策树（DT）、随机森林（RF）及支持向量机（SVM）三种常用分类器，验证了改进型 DCGAN 算法的有效性。结果表明，改进型 DCGAN 可不同程度提升三类分类器的检测性能：决策树、随机森林与支持向量机的准确率分别提升 13.13%、7.50% 和 11.25%；其中支持向量机模型的检测准确率最高，达 93.13%。上述研究结果证实，短波红外高光谱成像技术结合基于改进型深度卷积生成对抗网络的数据增强方法，在哈密瓜农药残留检测领域具有良好的应用前景。
-
巴基斯坦正宗巴斯马蒂大米的稳定同位素指纹图谱研究
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 分类/鉴别/等级评定食品标签
其他谷物与块根 食品安全与风险评估 质量管理与追溯系统 光谱/色谱/质谱等分析方法注、非巴斯马蒂品种掺伪等手段实施欺诈的目标产品。本研究采用批量稳定同位素比值质谱法（IRMS）结合多元统计分析技术，构建鉴别稻米产地来源及巴基斯坦不同稻米品种的检测模型。方差分析（ANOVA）结果显示，不同巴斯马蒂香米品种与非巴斯马蒂稻米品种间的 δ¹³C、δ¹⁵N、δ²H 及 δ¹⁸O 同位素比值存在显著统计学差异，其中 δ²H 与 δ¹⁸O 比值在两类稻米间的变异幅度更为显著。多元方差分析表明，产地、品种及其稳定同位素比值对稻米属性具有显著影响：产地因素对 δ¹³C 和 δ¹⁵N 同位素比值变异的贡献率最高，分别达 56.6% 和 42.7%；而品种因素则是导致 δ²H 和 δ¹⁸O 比值差异的主要原因。最终，本研究构建线性判别分析（LDA）与偏最小二乘判别分析（PLS-DA）两种有监督分类模型，以验证其产地判别能力。其中 PLS-DA 模型在训练集与验证集中的产地分类准确率更高，分别为 76.7% 和 70.0%。综上，同位素指纹图谱结合多元统计分析技术，在依据品种类型与产区特征实现稻米精准表征方面具有良好应用潜力。本研究为巴基斯坦巴斯马蒂香米与其他非巴斯马蒂稻米的鉴别提供了重要理论依据，同时也将为行业及监管机构开发巴斯马蒂香米标识欺诈防控技术手段提供有力支撑。
