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
-
通过分析淀粉颗粒形态的神经网络实现面粉类型的自动验证以确保“加利西亚面包”原产地保护标志
查看原文
2024
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 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
碳水化合物配料 品质、结构与理化性质 显微与成像技术面粉的质量管控是保障其制成品面包品质的关键环节。本研究提出一种基于淀粉颗粒形态特征的面粉质量控制方法。对于致力于生产 “加利西亚面包” 这一受保护地理标志（PGI）产品的生产商而言，利用显微图像实现面粉中各类谷物淀粉颗粒的自动化识别、分割及平均粒径测定，是一项不可或缺的核心工序。若由专业技术人员人工完成此项识别与计数工作，不仅过程繁琐，还需耗费大量时间。因此，实现该任务的自动化，除大幅节省时间成本外，更可显著提升整体工艺流程的效率。本文首次采用深度学习方法（掩码区域卷积神经网络，Mask R-CNN），开展淀粉颗粒的种类判定及粒径预测研究。研究人员使用此前人工识别计数时所用的原始偏振光显微图像，对训练完成的模型进行性能验证。本研究分析的数据集包含 1308 张分辨率为 2564×1924 像素的显微图像，图像中标注了两种小麦的 17000 个淀粉颗粒 —— 分别为卡斯蒂利亚商用小麦粉（0 类）和加利西亚本土小麦粉 “卡阿韦罗”（1 类），且两类样本的数量大致相当。基于 Mask R-CNN 的实例分割模型（模型 Ⅱ）在未知图像检测中表现出良好性能：其分类总体准确率约为 88.6%，淀粉颗粒面积的测定结果与专业人员人工估算值的偏差小于 4%。Mask R-CNN 模型所实现的检测效果，与专业人员人工分析结果呈现高度相关性，充分验证了本研究提出方法的实际应用价值。
-
基于机器学习辅助批量拉曼光谱的酒类质量参数快速同步定量与判别分析：仪器升级与化学计量学优化的协同作用
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 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 红外/拉曼光谱数据食品标签
酒精饮料 品质、结构与理化性质 感官科学与消费者研究 理化与结构表征 光谱/色谱/质谱等分析方法 传统统计分析与回归本研究以商品白酒为研究对象，基于批次式拉曼光谱系统结合化学计量学方法，开展白酒两项关键品质指标 —— 酒精度及综合感官品质的快速同步检测研究。课题组自主设计的电动 12 联比色皿样品台，可实现对 34 批次标准白酒样品的稳定高效光谱采集；同时补充酒精度调控样品与综合感官不合格样品，构建两个独立数据集，用于优化和验证基于多元统计分析与机器学习的化学计量学方法。研究表明，采用主成分分析（PCA）降维结合非线性核函数支持向量回归（SVR）的方法，在酒精度预测与感官不合格样品判别任务中均表现出最优性能。扩大训练集的酒精度梯度范围后，所构建的 PCA-SVR 模型定量能力显著提升，对受试标准白酒样品的酒精度预测偏差可控制在 ±0.15% 体积分数以内。针对感官品质分级构建的 PCA-SVR 模型，对成分与标准样品相近的不合格白酒的判别平均精准度达 93%。基于仪器与化学计量学方法的协同优化，本研究所构建的机器学习辅助批次式拉曼光谱系统，为白酒生产提供了一套快速、可靠且一体化的品质管控工具。
-
化学成像用于测定普洱茶渥堆发酵过程中品质成分的分布
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 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
茶/茶饮料 品质、结构与理化性质 其他加工技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 其他植物化学物质渥堆发酵是普洱茶品质形成的关键工序；然而，传统渥堆发酵工艺制约了普洱茶的数字化、智能化生产。为构建普洱茶渥堆发酵程度的定性与定量预测模型，本研究采用高光谱成像技术结合化学计量学分析方法开展相关研究。基于最小二乘支持向量机所建立的定性模型，可实现对渥堆发酵程度的高效判别，判别准确率达 98.63%。此外，直接利用原始光谱数据对影响品质的关键组分 —— 总儿茶素、游离氨基酸及叶绿素 a 进行定量分析，所得预测残差分别为 11.26、4.34 和 3.89。本研究通过化学成像技术绘制出上述组分在渥堆发酵过程中的空间分布图谱，并确定：当模型预测的总儿茶素、游离氨基酸及叶绿素 a 含量分别低于 0.48、11.21 和 1.29 mg/g 时，即可判定渥堆发酵达到终点。研究结果为普洱茶的数字化加工提供了理论依据。
-
基于同步荧光光谱的机器学习算法用于食用油中多环芳烃的快速同时定量分析
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 深度学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
油脂及油脂制品 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法多环芳烃（PAHs）是诱发人类癌症的主要诱因之一。苯并（a）芘（BaP）、苯并（b）荧蒽（BbF）、苯并（a）蒽（BaA）和䓛（Chr）这 4 种典型多环芳烃（PAH4），已被公认为表征食品中多环芳烃存在的合理指示物。本研究以 PAH4 混合体系的恒波长同步荧光光谱（CWSF）作为原始数据集，无需预处理，直接结合反向传播神经网络（BPNN）算法，建立了 PAH4 的定量分析方法。该方法可实现食用油样品中 PAH4 的免预分离浓度检测。苯并（a）芘、苯并（b）荧蒽、苯并（a）蒽和䓛的检出限分别为 0.014、0.068、0.026 和 0.013 微克 / 千克；在不同油脂样品中的加标回收率分别为 99.5±2.1%、101.0±4.6%、98.6±3.2% 和 98.5±4.9%。研究证实，所建立的方法是一种可快速检测 PAH4 的高效手段。
-
机器学习辅助的近红外光谱快速鉴别杏仁粉中杏核掺假
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 偏最小二乘法 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
豆类与坚果（及籽类） 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杏仁是全球消费量最高的坚果之一，兼具风味与高营养价值。鉴于杏仁的高商品价值及其作为主流树坚果的市场地位，建立一套快速、无损的检测方法以鉴别杏仁粉中掺入的杏仁核（注：此处结合食品掺假语境，apricot kernels 指易与杏仁混淆的杏核），已成为食品行业的迫切需求。杏仁是受经济利益驱动的掺假行为的高发目标，而杏核则是杏仁粉中最常见的掺假物。相较于色谱法等传统检测手段，近红外光谱（NIR）技术操作简便、无损检测且成本更低，是杏仁掺假检测的理想替代方案。
本研究于土耳其采购 120 份杏仁样本，分别采用便携式与台式近红外光谱仪采集光谱数据，并结合类软独立建模法（SIMCA）、条件熵（CE）算法及机器学习构建分类模型，实现杏仁粉的真伪鉴别；同时利用偏最小二乘回归（PLSR）、条件熵算法及机器学习，建立杏仁粉中杏核掺假比例的定量预测模型。实验设置的杏核掺假梯度为 0~50%，且掺假比例以 2% 为间隔逐级递增。
结果显示：基于两种光谱仪采集的数据，SIMCA 与 CE 算法均能将纯杏仁粉样本与掺假样本完全区分，鉴别准确率达 100%；在定量预测方面，两种仪器结合 PLSR 模型均表现出优异性能，预测相关系数（r val）均大于 0.96，预测标准误差（SEP）为 3.98%；此外，基于台式近红外光谱仪的数据，结合条件熵算法与机器学习的模型也取得了相近的预测效果，预测标准误差为 4.49%。综上，基于 SIMCA、PLSR 及 CE 算法构建的近红外光谱检测模型，可作为传统检测方法的有效替代方案，在杏仁粉杏核掺假的实时监管领域具有巨大应用潜力。
