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
-
欧洲食品安全局来源归因模型（SAM）的应用，以比较2018–2020年期间意大利与国内生产相关的人类沙门氏菌病的主要来源
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
逻辑回归/贝叶斯 分类/鉴别/等级评定 公开数据集食品标签
畜肉 禽肉 蛋类及其制品 食品安全与风险评估 标准/法规/数据库分析沙门氏菌是欧洲最主要的食源性致病菌之一，广泛存在于多条食品生产链中。明确沙门氏菌最常见的感染源，对于制定针对性的致病菌防控策略具有重要意义。
本研究采用欧洲食品安全局（EFSA）构建的贝叶斯模型，将 2018—2020 年意大利本土人群沙门氏菌感染病例，归因于四类潜在的食用动物源性感染源（即产蛋鸡蛋、肉鸡、育肥火鸡及生猪），且研究对象均限定为本土生产的相关产品。上述感染源均筛选自与沙门氏菌污染关联度最高的类别。研究中使用的血清分型数据，均依据现行法规要求，来源于初级生产环节（禽类相关）和屠宰场生猪胴体的常规监测。
模型分析结果显示，就本土生产而言，在研究周期内，生猪是导致人群感染沙门氏菌的首要食用动物源性感染源，其次依次为肉鸡、产蛋鸡蛋及火鸡。此外，针对 2020 年居民消费导致沙门氏菌感染的相对风险评估结果表明：猪肉消费引发感染的相对风险，是食用同等剂量鸡蛋的 3.5 倍；与鸡肉消费相比，猪肉消费导致沙门氏菌感染的风险也高出近 1 倍。该结果值得重点关注 —— 一方面，它证实了多年来在全国范围内针对禽类实施的防控措施卓有成效；另一方 -
基于深度学习方法的食源性细菌病原体显微镜识别
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
深度学习 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
微生物安全 食品安全与风险评估 微生物与发酵实验 显微与成像技术食源性致病菌的精准快速检测是食品质量安全控制的关键环节。目前，凭借操作简便、成本低廉的优势，显微镜形态学检测法仍是基层食品监管部门的首选检测手段。但该方法不仅对操作人员的专业能力要求较高，在分析过程中还存在一定的误判风险。
利用深度学习算法自动识别食源性致病菌，替代人工镜检操作，不仅能降低检测过程中的专家成本、减少人为误判、缩短检测耗时，还能提供更客观、精准的鉴定结果。本研究率先构建了一个高质量、大规模的食源性致病菌图像数据集，为基于深度学习的检测模型提供了高效训练的基础，保障模型实现精准识别。研究搭建的深度卷积神经网络模型，可对六种常见食源性致病菌 —— 大肠埃希氏菌（O157:H7）、副溶血性弧菌、金黄色葡萄球菌、蜡样芽孢杆菌、伤寒沙门氏菌及溶血性链球菌 —— 进行高效鉴别，鉴别准确率达 90%~100%。
该方法可辅助乃至替代传统检测流程中的人工镜检环节，有望突破传统检测严重依赖人工判断的技术瓶颈，大幅降低专家成本与人为误差，为大批量样本检测提供快速、精准且可靠的判别结果。 -
基于机器学习引导REIMS脂质组指纹的零售鲜牛肉切块误标识别
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 K-近邻 分类/鉴别/等级评定 组学数据食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸牛肉掺假、虚假标注等欺诈行为频发。本研究基于电刀 - 快速蒸发电离质谱（iKnife-REIMS）技术，结合机器学习（ML）算法，建立了一套用于生鲜市售牛肉部位（眼肉、西冷、牛腩、牛腱子、牛前腱）精准鉴别的快速可靠方法。
研究利用机器学习模型解析不同牛肉部位的 REIMS 脂质组指纹图谱，挖掘其中的特征信息；并采用判别分析（DA）、支持向量机（SVM）、K 近邻（KNN）三种主流机器学习算法构建真伪鉴别模型，以实现对牛肉部位虚假标注行为的甄别。结果显示，判别分析、支持向量机、K 近邻模型的鉴别准确率分别达 95.54%、99.91% 和 100%。研究通过混淆矩阵、受试者工作特征曲线及曲线下面积指标对模型性能进行综合评估，并验证了所建 REIMS 检测方法的有效性，其鉴别掺假牛肉的准确率达 96.80%。
综上，这套融合机器学习的智能 REIMS 分析方法，可高效实现对牛肉部位虚假标注的真伪鉴别。 -
利用各种基于网络的工具评估和预测食品安全的定量与定性方法
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 时序传感器/物联网数据 文本/知识库/法规数据 公开数据集食品标签
肉类/蛋类与水产品 水果/蔬菜与菌菇类/植物类 食品安全与风险评估 质量管理与追溯系统 标准/法规/数据库分析食品安全与品质对国家经济发展和消费者健康至关重要，且整个食品产业链的稳定运行均以此为核心前提。因此，随着工业化进程的飞速推进，构建一套整合多元关键要素的一体化系统，以实现食品的全程追踪、溯源及安全保障，已成为行业发展的迫切需求。
本文综述了食品产业链各环节中，用于食品安全评估的各类网络工具及其集成应用方案。研究人员通过检索海量文献资源以支撑本综述的撰写，检索渠道涵盖谷歌学术、期刊论文及其他相关文献库，并采用标准化关键词与标题进行精准筛选。综述数据表明，人工智能及其相关技术（即视觉技术与机器学习，包括面向食品行业和供应链管理的定制算法开发）具备良好的应用可行性；同时，传感器、检测设备、食品加工器械等实体设备，可与互联网互联互通，构建形成物联网（IoT） 系统。
此外，大数据技术可对海量信息进行深度挖掘，从中提取完整的数据特征、规律模式及分析结论；区块链技术则为真实信息的共享、存储与处理提供了重要技术支撑，能够对食品加工的每一个环节进行安全可靠的全程记录。由各类网络工具组成的技术网络，可对食品安全与品质开展定性与定量预测，这也使得计算机技术成为食品与营养科学领域不可或缺的关键手段。依托上述技术，水果、蔬菜、肉类等食品中存在的毒素、农药残留、重金属等相关危害物，均可实现有效追踪、监测与去除。本综述还深入探讨了食品欺诈的防控策略及相关技术工具，包括区块链技术、化学物质毒性数据库（Comptox）、食品微生物数据库（ComBase）、美国食品药品监督管理局风险评估工具（FDAiRISK）等。 -
基于近红外光谱与化学计量学的辣椒粉产地鉴别及掺假检测策略
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 中等规模数据集食品标签
香精香料 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红辣椒粉作为一种香辛料，其成分与品质特征会随产地不同而产生差异，且存在不法商贩通过添加色素改善外观的掺假行为。本研究提出一种基于傅里叶变换近红外光谱（FT-NIR）技术结合化学计量学方法的检测策略，实现对红辣椒粉的产地溯源与掺假鉴别。
实验共分析 115 份红辣椒粉样本，包括产自西班牙、法国、匈牙利的地理标志保护（PDO）认证样本，以及产自中国、赞比亚的非认证样本。研究所构建的正交偏最小二乘判别分析（OPLS-DA）模型，不仅能依据地理标志保护认证和品种对红辣椒粉进行区分，还可实现苏丹红、刚果红等非法色素掺假的精准鉴别。同时，通过偏最小二乘回归模型，可对红辣椒粉中0.1%~5% 浓度范围的掺假色素进行定量检测。化学计量学模型展现出较高的分类准确率与良好的线性关系。
综上，本研究提出的检测策略是一套全面且高效的技术手段，可在保障红辣椒粉品质与真实性的同时，实现对商品化色素掺假行为的定性鉴别与定量检测。
