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 2456 条结果
-
基于深度神经网络的高光谱数据预测猪肩肉头半棘肌的烹饪损失
查看原文
2025
Meat Science
中科院一区JCR一区
Kyung Jo, Seonmin Lee, Seul-Ki-Chan Jeong, Hyeun Bum Kim, Pil Nam Seong, Samoel Jung & Dae-Hyun Lee
计算机标签
偏最小二乘法 主成分分析/判别分析 深度学习 定量预测/回归分析 高光谱/多光谱光谱 小规模数据集食品标签
畜肉 其他品质相关性质 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法本研究评估了一种基于深度学习的模型，该模型使用宰后24小时采集的高光谱图像预测猪肩肉头半棘肌的烹饪损失。为了克服小样本问题，使用了70个猪肩肉，并采用了基于像素的数据增强。预测头半棘肌烹饪损失的主成分回归和偏最小二乘回归模型在应用多元散射校正后显示出较高的R²值，而一阶导数则降低了均方根误差。基于深度学习的模型优于PCR和PLSR模型。模型对烹饪损失等级分类的准确率随着等级数量的增加而下降，其中三个等级的模型分类准确率最高。深度学习模型表现出最高的分类准确率（0.82）。使用深度学习模型可视化了头半棘肌的烹饪损失。头半棘肌的pH和烹饪损失与猪肩肉片的烹饪损失显著相关（分别为-0.54和0.69）。因此，使用高光谱图像的深度学习模型可以预测头半棘肌的烹饪损失等级。这表明，利用从头半棘肌获得的高光谱图像可以实现对猪肩肉品质特性的无损预测。
-
增强近红外光谱在谷物霉菌毒素检测中的应用：对污染物与谷物间迁移学习方法的探索
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jihong Deng, Congli Mei & Hui Jiang
计算机标签
机器学习/统计学习 深度学习 迁移学习/领域自适应 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他谷物与块根 化学污染物 光谱/色谱/质谱等分析方法谷物是人类的主要食物来源。监测、控制和预防谷物中的霉菌毒素对于确保谷物及其衍生产品的安全至关重要。本研究将迁移学习策略引入化学计量学，以改进应用于不同颗粒或毒素谱数据的深度学习模型。研究探讨了三种迁移学习方法，以定量检测谷物中真菌毒素的潜力。通过在不同仪器上预测小麦玉米烯酮（ZEN）和花生黄曲霉毒素B1（AFB1）样本集，验证了迁移学习的可行性。结果表明第二种转移方法在检测毒素方面有效。对于FT-NIR光谱法，转移模型获得了R值2为0.9356，小麦ZEN预测的相对预测偏差（RPD）为3.9497，以及一个R。2为0.9419，花生AFB1检测的RPD为4.1551。通过近红外光谱法，也实现了有效的花生AFB1检测，结果为R2预测集中为0.9386，RPD为4.0434。这些结果表明，所提出的迁移学习方法能够成功将源域模型更新为适合目标领域任务的模型。本研究为单源模型适应性不足的问题提供了可行的解决方案，提出了一种更通用的谷物真菌毒素光谱检测方法。
-
真菌毒素的结构相似性、活性与毒性：结合无监督和监督机器学习算法的洞察
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Tânia F. Cova, Cláudia Ferreira, Sandra C. C. Nunes, & Alberto A. C. C. Pais
计算机标签
深度学习 随机森林 定量预测/回归分析 合成/仿真数据为主食品标签
过敏原与毒性问题 品质、结构与理化性质 其他特殊成分大量真菌毒素及相关真菌代谢物尚未接受毒理影响评估。现有方法通常优先关注特定目标家族，忽视了共存化合物的复杂性。该研究关注的核心问题是：是否可以基于确定的分子描述符集合，在计算机中评估真菌毒素分子相似性并预测其毒性。研究提出一种针对多类真菌毒素的快速非靶向筛查方法，将无监督和监督机器学习模型与分子和理化描述符结合，以加深对结构相似性、活性和毒性的理解。聚类分析识别出与已知真菌毒素家族对应的自然簇，表明同一簇内真菌毒素具有相似分子性质。然而，拓扑描述符在区分急性毒性和非急性毒性化合物方面具有重要作用。随机森林和神经网络结合分子描述符，可提升对真菌毒素毒性谱的认识和预测能力。随机森林可利用主要反映结构特征的数据预测毒性，并在包含生物活性描述符时表现良好；神经网络则比随机森林更敏感于生物活性描述符。包含结构复杂性、多样性、手性、对称性、连接性、原子电荷和极化率，以及反映亲脂性、吸收和渗透性质的描述符，对于毒性预测和更广泛毒理评价十分关键。
-
基于苯并噻唑衍生物纳米杂化材料的智能试纸条：智能手机辅助比色法检测食品中精胺含量
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Khushdeep Kaur, Divya, Sanchit Kalra, Navneet Kaur & Narinder Singh
计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品标签
其他添加剂与配料 探针与分析传感材料 其他安全问题 微生物安全 过程监测与在线检测 常规理化指标测定 光谱/色谱/质谱等分析方法 其他特殊成分生物胺（尤其是精胺）含量升高与多种食源性疾病相关，影响全球食品安全与质量标准。精胺还被认为是癌症早期诊断的关键生物标志物。因此，精胺含量检测是控制食源性疾病的重要指标。本研究开发了一种基于苯并噻唑的KK1-ZnO纳米杂化材料+Cu(I)体系用于精胺检测，并通过光谱和电化学技术评估了其性能。进一步设计了一种经济、易用的智能试纸条比色检测工具，通过比较色调、饱和度和明度（HSV）参数实现精胺的现场可视化检测与定量。涂覆KK1-ZnO纳米杂化材料+Cu(I)的淡黄色试纸条接触精胺后变为蓝绿色。该智能试纸条提供多级参考标准便于比对，有助于促进公众健康。该技术可便捷评估食品中的精胺含量，为健康饮食选择提供支持。
-
罗布斯塔·阿马佐尼科”绿咖啡地理适应标认证：结合紫外可见和近红外光谱方法与化学计量学
查看原文
2025
Food Chemistry
中科院一区JCR一区
Venancio Ferreira de Moraes-Neto, Michel Rocha Baqueta, Elem Tamirys dos Santos Caramês, Rodrigo Barros Rocha & Juliana Azevedo Lima Pallone
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
咖啡饮料 光谱/色谱/质谱等分析方法罗布斯塔Amazônico咖啡是一种备受重视且具有注册地理标志的特色咖啡，因此成为欺诈的潜在目标。在此背景下，近红外（NIR）和紫外可见光谱（UV-Vis）光谱被强调为环保的分析技术，具有验证真实性的重要潜力。本研究使用台式和手持近红外仪器以及紫外-可见光谱光度计分析了114个罗布斯塔Amazônico生咖啡样品和108个其他咖啡样品（完整、研磨和萃取形式）。采用数据驱动软独立类比建模（DD-SIMCA）算法进行分类，性能基于灵敏度、特异性和准确性进行评估。分类准确率范围为95.6%至100%。值得注意的是，手持式近红外相机实现了100%的准确率，并被证明是最具成本效益的工具，凸显了其在验证罗布斯塔Amazônico生咖啡真伪方面的适用性。
