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
-
基于高光谱成像的光谱和纹理特征组合用于肉牛饲养方式验证的研究
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 支持向量机 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 质量管理与追溯系统 理化与结构表征 光谱/色谱/质谱等分析方法本研究旨在探索近红外高光谱成像（NIR-HSI）技术作为一种无损、快速检测手段，区分两种肉牛育肥日粮的应用潜力。为此，研究人员以 24 头纯种比利牛斯犊牛为试验对象开展饲喂试验：其中 12 头饲喂大麦 - 秸秆日粮（BS 组），11 头饲喂植物副产物日粮（VBPR 组）。
对两组犊牛的肉样进行基准指标检测后发现，仅有总胶原蛋白占比这一项指标呈现出显著的日粮效应（p值 < 0.05）。为建立日粮溯源鉴别方法，本研究采用两种判别分析模型 —— 偏最小二乘判别分析（PLS-DA）与径向基函数 - 支持向量机（RBF-SVM）。为精准提取牛排瘦肉部位的光谱及纹理信息，研究整合了多种技术手段，包括主成分（PC）图像分析、竞争性自适应重加权采样（CARS）特征波长筛选，以及灰度共生矩阵（GLCM）纹理特征提取。
基于高光谱成像数据，并结合纹理特征构建的判别模型，实现了对不同育肥日粮来源牛肉的有效区分：PLS-DA 模型的总体鉴别准确率为 72.92%，RBF-SVM 模型则达到 80.56%。综上，本研究证实了高光谱成像技术在鉴别基于循环经济模式的日粮育肥肉牛产品方面的应用潜力。 -
近红外光谱结合化学计量学在模拟基质中快速检测昆虫蛋白掺假的应用
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
昆虫蛋白 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 传统统计分析与回归 蛋白质与氨基酸昆虫蛋白作为一种食品与饲料添加剂，其应用热度正持续攀升。不同昆虫物种的蛋白品质、终端用途及市场价格存在显著差异，这一现象或诱发昆虫蛋白的掺假行为。本研究采用近红外光谱（NIR）技术结合化学计量学方法，在模拟的复合昆虫蛋白混合物体系中，实现对蟋蟀蛋白、黑水虻幼虫（BSFL）蛋白及黄粉虫蛋白的掺假检测。此外，研究人员采集了来自三家商业供应商的黑水虻幼虫蛋白粉，探究近红外光谱技术能否基于成分差异，区分不同厂家生产的该类蛋白产品。
常规成分分析结果显示，不同昆虫物种来源的蛋白在蛋白质、脂肪及甲壳素含量上均存在差异。针对不同配比的黑水虻幼虫、蟋蟀与黄粉虫蛋白混合物，研究所构建的偏最小二乘（PLS）回归模型，其交叉验证决定系数（Q 2）介于 0.991~0.997 之间；对于掺假昆虫蛋白粉样本，模型的交叉验证均方根误差（RMSCV）为 1.8%~2.9%，剩余预测偏差（RPD）达 10.4~17.1。该预测模型对掺假比例的检测精度约为 2%，且精度数值会随昆虫物种的不同有所波动。近红外光谱数据可有效区分三家不同厂商的黑水虻幼虫蛋白粉，同时也能鉴别两种加工工艺（全粉与脱脂样本）的产品差异，对应的模型交叉验证决定系数Q 2高达 0.999。
综上，本研究建立了一套针对三种常见昆虫蛋白粉的快速低成本掺假监测技术流程。研究团队认为，在方兴未艾的昆虫源食品与饲料产业中，近红外光谱技术可广泛应用于昆虫蛋白的掺假检测、产地溯源及品质管控环节。 -
应用高光谱成像与机器学习技术基于大豆种子预测石膏豆腐品质
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
深度学习 梯度提升决策树 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
豆类与坚果（及籽类） 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸大豆是制作优质豆腐的核心原料。传统大豆制豆腐品质评定方法不仅耗时，还需投入大量人力。本研究采用高光谱成像（HSI）技术结合机器学习算法，实现基于大豆籽粒快速预测石膏豆腐品质的目标。
研究人员依据豆腐品质，通过系统聚类法将 200 份大豆品种划分为 4 个等级；同时采集大豆籽粒在 900~1700 nm 波段的高光谱图像数据。借助极端梯度提升（XGBoost）算法，筛选出 10 个与大豆蛋白质、碳水化合物及油脂含量显著相关的特征波长。在此基础上，利用不同等级大豆的高光谱数据训练卷积神经网络（CNN）模型。针对未知大豆样本，该 CNN 模型可将其精准归类至对应品质等级，分类准确率达 96%~99%。通过豆腐制作实验进一步验证，该模型对豆腐出品率、硬度、弹性等核心品质指标的预测结果具有良好的稳健性。
综上，这项创新性研究搭建了高光谱成像结合卷积神经网络的技术体系，实现了从大豆籽粒层面快速、无损预测豆腐品质的目标。经进一步优化完善后，该技术有望革新大豆籽粒的品质评定模式。 -
通过便携式近红外光谱实时无损检测活贻贝的新鲜度与活性
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 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集食品标签
软体与贝类 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 传统统计分析与回归 常量营养素（宏量）本研究提出一种基于便携式近红外光谱（NIR）技术的新型、快速、无损检测方法，用于评估鲜活贻贝在货架期内的新鲜度与存活状态。研究以 150 枚地中海贻贝（Mytilus galloprovincialis, L.）为对象，在 10 天贮藏周期内采集其 908~1676 nm 波段的近红外光谱数据；同时测定贻贝的失重率、瓣内液 pH 值及非蛋白氮含量等理化指标。
研究通过正交偏最小二乘回归（OPLSR）分析，将近红外光谱提取的多元信息与冷藏贮藏天数进行关联，构建新鲜度预测模型。结果显示，除水分流失导致的贻贝失重呈渐进性变化外，其余理化指标在贮藏期间均未呈现明显规律性趋势；而经四阶导数预处理的近红外光谱数据所构建的 OPLSR 模型，经交叉验证后相关系数达 0.86，且利用新贻贝样本进行外部验证时，预测平均误差（预测均方根误差）仅为 1.3 天。
该模型的预测能力主要源于与贻贝关键化学组分相关的特征近红外波长，这些组分包括不饱和脂肪酸、含氮化合物、水分、甘油及腺苷三磷酸（ATP）相关物质，上述组分共同构成了用于预测贻贝贮藏时长的特异性光谱指纹。该检测方法兼具环保、无损、实时、经济的优势，其检测性能与行业质控流程及检验需求高度适配，可在食品供应链各环节中有效评估鲜活贻贝的新鲜度与存活状态。 -
利用介质阻挡放电电离高分辨质谱（DBDI-HRMS）认证单花蜂蜜植物来源。突破6秒分析时间壁垒
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 分类/鉴别/等级评定 中等规模数据集食品标签
蜂蜜等天然糖 品质、结构与理化性质 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介质阻挡放电电离 - 高分辨质谱（DBDI-HRMS）技术，实现单花种蜂蜜挥发性成分的快速分析，无需溶剂即可在 6 秒内完成蜂蜜的花源鉴别。该研究的核心目标是开发一套快速经济的检测工具，用于判定单花种蜂蜜的植物来源，该工具可便捷服务于两类用户：其一，养蜂人可借助它完成蜂蜜的真伪鉴别，进而提升产品价值；其二，食品行业可将其用于蜂蜜的质量检测。
为达成这一目标，研究人员采用 DBDI-HRMS 技术采集了7 种不同植物来源（洋槐、蒲公英、板栗、杜鹃、柑橘、向日葵、椴树）的两批独立蜂蜜样本的挥发性成分信息，总计 112 份单花种蜂蜜样本由 3 名不同操作人员完成检测分析。研究团队基于第一批蜂蜜的光谱数据，构建并对比了三种分类算法的性能，分别为最小绝对收缩与选择算子（LASSO）、偏最小二乘判别分析（PLS-DA）和随机森林（RF）。通过重复交叉验证、置换检验、训练集回代验证等方法对三类模型进行性能验证，最终由一名缺乏相关经验的新手操作人员，利用第二批独立蜂蜜样本完成模型的外部验证。
模型测试结果采用曲线下面积（AUC）、卡帕系数（Kappa）、总体准确率、灵敏度及特异度等指标进行表征；研究人员通过计算多项关键指标评估所建模型的误判率，并利用余弦相似度验证了该分析方法的重复性。上述研究结果为该方法未来应用于常规检测工作提供了重要参考。研究证实，随机森林分类器在蜂蜜花源预测方面表现最优：在新手操作人员检测的独立批次样本验证中，该模型仍保持优异性能，曲线下面积达 82.91%、总体准确率为 81.25%、卡帕系数为 77.78%、灵敏度为 81.05%、特异度为 96.76%。被误判的蜂蜜样本均含有其他蜜源的花蜜或花粉，这与此前感官鉴评人员的分析结论一致。本项原理验证性研究表明，该方法未来需开展大规模试验，纳入不同采收期、不同地理来源的蜂蜜样本，进一步验证和优化检测体系。
