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
-
基于差示扫描量热法结合化学计量学分析的黄油中棕榈硬脂与椰子油掺杂检测
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 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
动物油脂 食品安全与风险评估 其他方法 传统统计分析与回归本研究采用差示扫描量热法（DSC）结合化学计量学分析技术，具体为主成分分析（PCA）与偏最小二乘回归法（PLSR），建立黄油掺假检测方法。实验通过向黄油中添加不同浓度（质量分数 2%~30%）的棕榈硬脂与椰子油，模拟黄油的脂肪掺假场景。研究人员将差示扫描量热法测得的热谱图数据纳入化学计量学分析体系，以此检测黄油熔融特性曲线的变化规律。
结果表明，差示扫描量热法灵敏度较高，即便黄油熔融特性仅发生微小变化，该技术也可实现精准检测。针对添加质量分数 10%、20% 及 30% 棕榈油与椰子油的 11 种差异化黄油样品，采用 K 近邻算法（kNN）开展判别分析，结果显示真品与掺假样品的鉴别准确率高于 92.1%。当掺假剂浓度超过质量分数 5% 时，通过系统聚类分析法（HCA）可有效区分掺假剂种类 —— 即棕榈硬脂与椰子油。
相较于传统检测方法，差示扫描量热法结合化学计量学分析技术是一种简便高效的黄油掺假筛查工具，在食品行业质量管控领域具有潜在应用价值。 -
基于水光谱组学的番茄粉提取物筛选揭示对增容剂和着色剂的敏感性
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 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
香精香料 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番茄粉作为不可或缺的烹饪配料应用日益广泛，但这类产品仍无法规避掺假行为。传统鉴别方法因操作流程复杂，难以作为常规检测手段推广应用。本研究以水光谱学技术为潜在替代方案展开效能验证，该技术具有样品前处理步骤少、无需溶剂萃取的优势。
实验选取三个番茄品种为研究对象，设计了两类掺假剂（填充剂与着色剂）的掺假方案：两类掺假剂分别添加或混合添加，在番茄粉水基混合体系中的掺假浓度梯度设定为 0%–20%。采用 XDS 近红外光谱仪以透射模式采集样品光谱数据，并在水的第一、第二泛频波段范围内结合化学计量学方法开展数据分析。
在基于掺假水平的分类研究中，针对单一掺假剂混合体系构建主成分分析 - 线性判别分析（PCA-LDA）定性模型，模型识别准确率与预测准确率分别可达 97.76%–100% 和 88.59%–100%；当填充剂与着色剂复合掺假时，模型准确率略有下降。偏最小二乘回归（PLSR）定量模型对掺假比例的预测效果良好，模型决定系数（R 2）最高可达 0.98，交互验证均方根误差（RMSECV）最优值为 0.45%（质量分数）。水光谱特征图谱呈现出特异性光谱模式，可直观反映掺假比例的梯度变化。
综上，研究结果证实，将番茄粉制备为液态样品后，采用水光谱学技术可有效实现其真伪鉴别，该技术在保障番茄粉品质真实性方面具有重要应用前景。 -
基于动态表面增强拉曼光谱和正电荷探针结合深度学习的苹果中真菌孢子快速检测与准确识别
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
新鲜水果 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法真菌感染对苹果的品质构成严重威胁，因此，真菌孢子检测是控制病害传播、保障食品安全的关键举措。本研究构建了动态表面增强拉曼光谱（D-SERS）技术结合正电荷探针的检测体系，并基于深度学习方法实现真菌孢子的检测与鉴定。研究首先采用半胱胺修饰金纳米棒，制备得到正电荷 SERS 探针；该探针通过增强与真菌孢子带负电细胞壁的相互作用，提升孢子捕获效率。随后，将探针与 D-SERS 技术联用，对真菌孢子的拉曼光谱进行检测，并在 D-SERS 体系由湿态向干态转变的亚稳态阶段，获得了最优光谱信号。这是由于该阶段产生的毛细作用力促使纳米颗粒形成大量三维热点，进而实现拉曼信号的显著增强。经简单的过滤离心分离后，从染病苹果样品中即可检测到黄曲霉、匍枝根霉及灰葡萄孢三种真菌孢子的特征 SERS 信号，且信号响应优良。此外，本研究采用高性能深度学习模型 ZFNet 构建识别模型，该模型在训练集、验证集及预测集中的识别准确率分别达 100%、99.44% 和 99.44%。本研究所建立的方法为苹果真菌感染的检测与鉴定提供了一种简便、快速且精准的技术方案，同时可拓展应用于其他农产品的检测领域。
-
利用高光谱成像预测真空冷冻干燥过程中双孢菇切片的水分含量
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
支持向量机 定量预测/回归分析 高光谱/多光谱光谱食品标签
食用菌菇 品质、结构与理化性质 非热加工技术 理化与结构表征 光谱/色谱/质谱等分析方法含水率（MC）是评估双孢蘑菇冷冻干燥（FD）程度的关键指标。本研究提出一种新型检测方法，通过高光谱成像（HSI）系统结合多种光谱预处理方法与建模算法，实现冷冻干燥过程中双孢蘑菇含水率的快速、可视化检测。该方法以全波段平均光谱数据为基础，采用支持向量机（SVM）算法构建光谱信息与含水率这一物理指标间的定量关联函数。研究中同时引入稳定性竞争性自适应重加权采样法（SCARS）筛选与含水率高度相关的特征波长，并利用多元散射校正（MSC）提升模型的精度与稳健性。最终确定SCARS-MSC-SVM为最优模型，其校正决定系数（R c2）、预测决定系数（R p2）、预测均方根误差（RMSEP）及残差预测偏差（RPD）分别为 0.9281、0.9025、0.8026 和 2.08。此外，本研究通过生成伪彩色图谱，直观呈现冷冻干燥过程中双孢蘑菇的颜色变化特征，以及含水率从菌菇边缘向菌核中心逐步降低的动态分布规律，从而实现对干燥进程的实时监测。研究结果证实，高光谱成像技术具备快速、精准、无损且可视化表征冷冻干燥过程中双孢蘑菇含水率的应用潜力。
-
利用前表面同步荧光光谱检测孜然粉掺假：掺假物自然变异的影响
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 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
香精香料 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在粉状香辛料的真伪鉴别研究中，掺杂剂的自然变异对分类或预测模型的潜在影响往往被忽视，且该领域的相关研究仍较为匮乏。本研究以正面同步荧光光谱技术（FFSFS）在掺假孜然粉快速无损鉴别中的应用为案例展开分析 —— 掺杂剂为花生壳粉与玉米粉，旨在揭示掺杂剂自然变异对模型预测性能的作用机制。研究选取每种掺杂剂的 3 份样品，设计两种样品集模式进行对比分析：模式 1 采用第一种掺杂剂样品构建校正集，其余两种用于外部验证；模式 2 则选取两种掺杂剂样品纳入训练集，第三种作为外部验证集。基于主成分分析 - 线性判别分析（PCA-LDA）的掺杂剂分类结果显示，模式 2 的外部验证预测准确率（82%）显著高于模式 1（63%）。定量分析方面，本研究通过偏最小二乘回归（PLS）算法构建预测模型，并采用交叉验证与外部验证相结合的方式完成模型验证。结果表明，模式 2 的定量建模效果优于模式 1，其预测决定系数（R p2）均大于 0.93，预测均方根误差（RMSEP）低于 4.2%，残差预测偏差（RPD）则不低于 2.7。本研究证实，在构建高稳健性的掺假检测模型时，必须充分考量掺杂剂的自然变异因素。
