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¹H NMR和GC结合多元统计分析对清香型白酒感官质量等级进行分类
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 K-近邻 主成分分析/判别分析 超参优化/自动机器学习 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
酒精饮料 品质、结构与理化性质 特征风味 光谱/色谱/质谱等分析方法 传统统计分析与回归传统白酒感官评价采用统一的人工评定方法，难以实现不同感官品质等级的标准化划分。本研究精心采集了 92 份涵盖3 个感官品质等级的清香型白酒正品样本，通过气相色谱（GC）检测样本中 46 种主要风味物质的含量，同时利用质子核磁共振（¹H NMR）光谱技术获取有机化合物的氢原子特征信息。
研究构建了主成分分析（PCA）、K 近邻（KNN）和线性判别分析（LDA）三种模型，并采用 内部留一交叉验证（LOOCV）与外部双重随机重复交叉验证（RDRCV） 对模型进行全面验证。结果显示，气相色谱与质子核磁共振技术结合主成分分析 / K 近邻分析的方法，可有效实现清香型白酒感官品质等级的划分，平均判别准确率高于 80%。此外，本研究引入合成少数类过采样技术（SMOTE），成功解决了因样本分布不均衡导致的模型过拟合问题。
综上，质子核磁共振与气相色谱技术联用多元统计分析方法，可有效应用于清香型白酒的感官品质等级划分 -
通过高光谱成像结合时间卷积网络-注意力机制深度学习模型快速预测人参中多种稀有皂苷含量
查看原文
2024
Food Control
中科院一区JCR一区
计算机标签
其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱食品标签
谷物/块根/豆与坚果类 其他生物活性与健康效应 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质将高光谱成像（HSI）技术与深度学习算法相结合，可为食品及农业副产品的品质评定提供一种高效、快速的技术方案。人参（Panax ginseng C. A. Meyer）是兼具药用价值与营养价值的重要药食同源作物，本研究通过高光谱成像技术测定人参中多种稀有皂苷（RGs）的含量，实现对人参品质的综合评定。
结果表明，高光谱成像技术结合时序卷积网络 - 注意力机制（TCNA）深度学习模型，在同步且高效预测六种稀有皂苷（Rh1、Rh2、F1、Rg3、F4、Rk1）含量方面表现最优。尤其是基于特征波长建立的六种稀有皂苷含量检测模型，TCNA 模型的决定系数（R2）均高于 0.890，相对分析偏差（RPD）均大于 3.0，体现出优异的模型性能。同时，特征波长的筛选使 TCNA 模型的检测结果具备更强的可解释性，而六种稀有皂苷含量的同步输出则显著提升了检测效率。
高光谱成像技术辅助 TCNA 算法，为多指标品质参数的同步快速检测提供了一套高效方案。本研究所得结果，可为食品与农业领域开发便捷、快速的高光谱成像检测设备提供新的参考，助力实现市场端产品品质的直接、综合检测。 -
便携式近红外光谱仪结合机器学习技术分类亚临床乳腺炎牛奶的研究
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 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
液态乳 品质、结构与理化性质 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牛乳是人类饮食中一种传统食品。但奶牛罹患隐性乳房炎后，会破坏牛乳的营养成分，同时对消费者健康构成威胁。本研究旨在探究利用便携式近红外光谱仪（NIRS），将其作为筛查隐性乳房炎污染牛乳的检测方法的可行性。
实验所用牛乳样本集的构成高度复杂，涵盖两个季节（冬季、夏季）、两个年份（2021 年、2022 年）、巴西五个地理产区（戈亚斯州、帕拉州、帕拉伊巴州、圣保罗州及圣卡塔琳娜州），且奶牛饲喂模式存在差异。研究人员采用主成分分析（PCA）、偏最小二乘判别分析（PLS-DA），以及随机森林（RF）、支持向量机（SVM）等机器学习模型，对采集到的样本光谱数据进行分析。
主成分分析结果表明，隐性乳房炎牛乳与健康牛乳样本的聚类差异，与乳糖含量的变化密切相关。这一现象在偏最小二乘判别分析中同样得到验证，该模型检测隐性乳房炎牛乳的准确率达 78%，而随机森林和支持向量机模型的准确率均为 62%。不过，随机森林模型检测乳房炎牛乳样本的灵敏度（召回率）更高，达到 78%；支持向量机模型则在识别健康牛乳样本方面表现突出，准确率达 81%。此外，研究证实，利用孤立森林算法剔除异常样本后，基于近红外光谱数据构建的随机森林与支持向量机模型性能显著提升，其精确率最高可提升 25%。
综上，便携式近红外光谱仪有望作为乳品行业筛查隐性乳房炎牛乳的检测手段。 -
基于ATR-FTIR光谱与化学计量学联用技术检测牛奶中的美洛昔康残留
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 红外/拉曼光谱数据食品标签
液态乳 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美洛昔康（MELX）是一种非甾体抗炎药（NSAID），常用于牛的疾病治疗，其在牛乳中的残留会对人体健康构成威胁。欧盟、加拿大、中国及印度的监管机构分别规定了牛乳中美洛昔康的最大残留限量，依次为 15 μg/kg、35 μg/kg、15 μg/kg 和 10 μg/kg。
本研究探索了衰减全反射 - 傅里叶变换红外光谱（ATR-FTIR）技术结合化学计量学方法，用于检测牛乳中美洛昔康残留的可行性。实验选取纯牛乳样本，以及添加了不同浓度美洛昔康（浓度范围 1~50 μg/kg）的牛乳样本进行分析。所有样本的红外光谱检测均在4000~400 cm⁻¹ 的波数范围内进行。研究人员选取2940~2840 cm⁻¹ 和 1765~1730 cm⁻¹两个特征波数区间，通过主成分分析（PCA）实现纯牛乳样本、美洛昔康标准品与加标牛乳样本的聚类区分。
基于上述特征波数区间建立的偏最小二乘回归（PLSR）模型，其校正集与验证集的决定系数（R²）分别大于 0.92 和 0.94。采用类软独立建模法（SIMCA）对所有样本进行分类判别，分类准确率达 100%。
本研究得出结论：结合衰减全反射 - 傅里叶变换红外光谱技术与化学计量学方法，可实现对牛乳中低至 1 μg/kg 浓度美洛昔康残留的有效检测。该红外光谱化学计量学检测方法的分析结果，与液相色谱 - 串联质谱（LC-MS/MS）法的检测结果一致，具备应用于牛乳美洛昔康残留筛查的潜力。 -
不同人工神经网络对经不同预处理和微波干燥组合处理的香蕉切片的识别性能
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 可见光/RGB/视频数据 大规模数据集食品标签
新鲜水果 品质、结构与理化性质 物理辅助加工 理化与结构表征 显微与成像技术本研究旨在评估功率为 100 W、200 W、300 W 的微波干燥处理，对未预处理及经5% 抗坏血酸溶液、5% 柠檬酸溶液、5% 阿拉伯树胶溶液、超声波预处理的香芽蕉（华蕉）切片品质的影响。研究采用数码单镜反光（DSLR）相机对香蕉切片进行成像，对获取的图像进行处理以提取纹理参数。基于从包含不同颜色通道下 2172 幅图像纹理的大型数据集里筛选出的图像纹理参数，本研究利用人工神经网络构建了分类模型。实验选用了宽神经网络、双层神经网络、中型神经网络，以及三类函数型分类器 ——径向基函数（RBF）网络、多层感知器、加权结构判别分析读取器（WiSARD）。针对预处理方式与微波干燥功率组合形成的 15 类香蕉切片样本，基于多层感知器构建的模型分类平均准确率最高可达 97.2%。多数模型的测试结果显示，未经预处理、200 W 微波干燥的香蕉样本分类正确率最高。本研究表明，采用图像处理结合人工智能技术，可实现对预处理 - 微波干燥香蕉切片品质的客观、无损、准确且稳健的评估。
