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 276 条结果
-
基于非靶向代谢组学与机器学习对不同海拔福云6号和中茶108茶树鲜叶的鉴定与品质评价
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Liangji Wu, Ruixin Lou, Qiang Zhang, Kaikai Li & Tao Hou
计算机标签
支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 组学数据食品标签
茶/茶饮料 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 代谢组学茶树品种和生长海拔是影响茶叶品质的关键因素。本研究系统探究了它们对中茶108（ZC108）和福云6号（FY6）鲜叶品质的单独影响及协同作用，这两个品种的茶叶采集自海拔442至945米的区域。化学分析表明，中茶108的氨基酸、茶氨酸、糖类、黄酮类化合物和儿茶素含量高于福云6号。随着海拔升高，两个品种茶叶中的茶多酚、黄酮类化合物、咖啡因和儿茶素含量均有所降低。非靶向代谢组学鉴定出50种与品种相关的代谢物和40种与海拔相关的代谢物。随着海拔升高，苯丙素、嘌呤和黄酮类生物合成等关键代谢通路被上调。香豆素存在显著的品种×海拔交互作用。机器学习在品种分类中达到了100%的准确率（随机森林：96.7%，支持向量机：93.3%，K近邻：90%），凸显了品种因素的主导地位。研究还鉴定出了关键生物标志物，如苯乙醇和6-O-对-D-呋喃果糖基-O-葡萄糖。这些发现为茶树品种鉴定、产地溯源和品质控制提供了依据。
-
采用顶空固相微萃取-气相色谱质谱联用技术与模拟采样结合随机森林法研究中粒咖啡麦芽发酵过程的感官特征
查看原文
2025
Food Chemistry
中科院一区JCR一区
Evandro Messias, Cleidiana V. Guimarães, José M.R. da Luz, Ellisson H. de Paulo, Emanuele C. da S. Oliveira, Márcia H.C. Nascimento, Marco F. Ferrão, Rogério C. Guarçoni, Paulo R. Filgueiras & Lucas L. Pereira
计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据食品标签
咖啡饮料 感官科学与消费者研究 光谱/色谱/质谱等分析方法中果咖啡饮品的感官属性取决于咖啡豆的化学成分，尤其是挥发性有机化合物（VOCs）的含量。然而，这些化合物的相对丰度可能会随着咖啡豆的成熟阶段而变化。本研究采用顶空固相微萃取-气相色谱-质谱联用（HS-SPME-GC-MS）技术以及结合合成采样的随机森林分析方法，探究了经麦芽处理和酿酒酵母发酵后，对中果咖啡感官属性起作用的挥发性有机化合物。研究鉴定出94种挥发性有机化合物，其中约10%有助于区分该饮品的感官特征。发酵64小时后，与天然咖啡相比，使用果糖（T2）、葡萄糖（T3）和纤维素酶（T4）进行的麦芽处理提高了感官评分。咖啡浆果的浸渍/发酵过程产生了强烈的微生物活性，有利于挥发性有机化合物的生成。机器学习方法在挥发性有机化合物的识别方面被证明是有效的。气味活性值表明，通过该方法识别出的挥发性有机化合物与咖啡饮品的感官特征相关。
-
利用牛奶光谱和机器学习预测荷斯坦奶牛产后疾病——从诊断日期的回顾性评估
查看原文
2025
Journal of Dairy Science
中科院一区JCR一区
D. Lin, J. Li, J.A. Seminara, & J.A.A. McArt
计算机标签
偏最小二乘法 随机森林 智能手机/其他 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集食品标签
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奶牛在泌乳初期通常会遭遇健康问题。尽管傅里叶变换红外（FTIR）光谱技术提供了一种无需侵入且经济高效的分析牛奶成分的方法，但其在预测后续泌乳初期疾病方面的潜力尚未得到充分探索。本研究旨在揭示奶牛乳汁 FTIR 光谱在预测纽约州卡尤加县一家商业奶牛场 1162 头荷斯坦奶牛产后疾病方面的能力。我们每天在泌乳初期栏中采集奶样，并将牛奶在 4°C 下保存，直至通过 FTIR 光谱分析。通过 30 天泌乳末期（DIM）对奶牛进行监测，并将其分为健康（n = 825；无不良健康事件）或患病（n = 311；诊断为临床酮病、子宫炎、胃瘫或乳腺炎，或这些病症的任意组合）两类。我们使用回归、机器学习和深度学习方法对乳汁 FTIR 光谱数据进行了建模，以预测在诊断日期前 8 个不同时间段内的疾病（>10 天、10-8 天、7-6 天、5-4 天、3 天、2 天、1 天和 0 天）。模型性能通过重复下采样双交叉验证框架和排列检验进行评估。我们的研究结果表明，与脂肪、蛋白质和乳糖的吸收峰相关的光谱区域的逐步变化与疾病进展相关，从而导致受检者工作特征曲线（AUROC）的平均值从诊断前 10 天的 0.50 增加到诊断前 1 天的 0.72 以及诊断当天的 0.76，所有模型类型均如此。使用牛奶傅里叶变换红外光谱进行的部分最小二乘判别分析（PLS-DA）模型在诊断前 7 天的平均 AUROC 为 0.71，优于基于奶牛级特征（0.62）或结合光谱预测的牛奶主要成分（0.67）的模型。在光谱模型中，PLS-DA 达到了最高的平均 AUROC（0.74），其次是长短期记忆（0.72），超过了岭回归（0.71）和随机森林（0.69）。这些发现强调了使用牛奶傅里叶变换红外光谱来预测早期泌乳期荷斯坦奶牛即将出现的健康状况的有效性，但还需要更广泛的评估来评估其通用性和农场实用性。
-
基于高光谱成像和卷积神经网络（CNN）对霉变花生中黄曲霉毒素的高通量定量分析：机器学习算法与深度学习模型的对比评估
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Min Pang, Yingge Wang, Mengke Li, Li Xu, Chun Gao, Shaotong Jiang, Zhi Zheng & Lili Cao
计算机标签
偏最小二乘法 随机森林 卷积神经网络 特征工程与选择策略 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） 微生物安全 光谱/色谱/质谱等分析方法 其他理化与结构表征花生中的黄曲霉毒素污染会带来严重的健康风险，因此需要快速、非破坏性的检测方法。本研究开发了一种结合深度学习的高光谱成像（HSI）方法，用于对发霉花生中的黄曲霉毒素进行定量分析。研究监测了霉菌生长过程中营养物质的动态降解情况，并探究了理化性质、黄曲霉毒素含量与光谱特征之间的相关性。研究比较了多种预处理方法和特征选择技术，评估了传统机器学习方法（偏最小二乘回归（PLSR）、随机森林（RF）、最小绝对收缩和选择算子（LASSO））与卷积神经网络（CNN）的性能。经过中值滤波和基于遗传算法的特征选择优化后的CNN模型表现出更优异的性能（R²p = 0.972，RMSEp = 8.203，RPDp = 2.738）。所提出的HSI-CNN框架为高通量黄曲霉毒素定量分析提供了一种高效、非破坏性的解决方案，可支持工业化食品安全监测。
-
结合GC-IMS、GC×GC-O-MS和机器学习表征武夷岩茶（水仙）烘焙过程中挥发性化合物的动态变化
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yue Duan, Xing Gao, Bolin Shi, Mingguang Yu, Junaid Raza, Huijuan Sun, Ying Wang, Huanlu Song & Yongquan Xu
计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法了解水仙茶烘焙过程中香气化合物的变化，对于提供科学指导至关重要。本研究采用气相色谱-离子迁移谱（GC-IMS）和二维气相色谱-嗅觉-质谱（GC×GC-O-MS）分别鉴定出100种和183种化合物。结合随机森林算法与相对气味活性值（rOAV），识别出8种关键差异化合物，分别是3-甲基丁醛、（E）-2-辛烯醛、5-甲基糠醛、2-乙基-5-甲基吡嗪、1-糠基吡咯、1-（1H-吡咯-2-基）-乙酮、1-辛烯-3-醇和（Z）-4-庚烯醛。对这些化合物的代谢途径进行分析后发现，它们主要涉及美拉德反应和脂质氧化。本研究不仅为水仙茶的定向加工和质量控制提供了理论支持，还通过整合先进分析技术与机器学习，提出了一种新颖的方法学框架，为研究茶叶烘焙过程中挥发性化合物的动态变化提供了新见解。
