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 108 条结果
-
油菜籽射频加热均匀性优化：机理建模与机器学习的集成方法
查看原文
2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Jilong Gao, Yu Liu, Jingfang Ao, Shaojin Wang, Jiajia Chen & Long Chen
计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析食品标签
豆类与坚果（及籽类） 物理辅助加工射频（RF）加热均匀性仍然是其商业化应用的关键挑战，当前的优化方法受限于耗时的实验、机理模型中复杂的参数耦合以及机器学习（ML）可解释性差等问题。为解决这些问题，我们提出了一个创新的“机理建模-ML优化-机理解释”闭环集成框架。首先，通过一个经过验证的油菜籽射频加热机理模型生成数据集（输入参数：物料密度、电极间隙、物料高度和位置；输出参数：温度均匀性指数[TUI]）。比较了四种ML算法（随机森林、K近邻、极限梯度提升、梯度提升决策树[GBDT]），选定GBDT为最优算法，并使用优化与非优化参数进行了实验验证。最后，机理模型通过电场分布对优化机制进行了深入解释。结果表明，机理模型具有较高的实验吻合度和准确性。在该机理模型中，物料密度、电极间隙、物料高度和位置作为输入参数，TUI作为数据集生成的输出。基于该数据集的优化表明，梯度提升决策树的性能优于其他算法；其可靠性通过优化与非优化参数的实验得到了验证。因此，机理模型通过分析ML优化参数下的电场分布，实现了对优化机制的可解释性分析，揭示了提升TUI的物理基础。所提出的框架克服了机理建模数据利用率低和ML可解释性差的挑战，实现了射频加热均匀性的高效优化，并推动了射频加热技术的工业应用。
-
TastePeptides-Meta：集味觉性质、相互作用和预测模型于一体的味觉肽及其结构衍生物一站式平台
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Zhiyong Cui, Tianxing Zhou, Shengnan Wang, Imre Blank, Jiaming Gu, Danni Zhang, Yanyang Yu, Zhiwei Zhang, Wenli Wang, & Yuan Liu
计算机标签
模型可解释性 定量预测/回归分析 质构/流变/感官数据 中等规模数据集食品标签
特征风味 营养与生物功能 标准/法规/数据库分析 蛋白质与氨基酸味觉肽兼具营养和感官属性，其结构衍生物表现出独特的味觉调节效应。随着味觉肽候选物数量不断增加，亟需利用先进检测工具建立快速、准确的筛选方法。现有平台缺乏能够提供准确检索和预测能力的集成生物信息学解决方案。为此，本研究提出 TastePeptides-Meta 平台，收录 2926 条肽条目、975 个肽结构衍生物以及 954 条协同增强数据，分别来源于 282、109 和 103 篇同行评议研究。平台配备机器学习驱动的预测模块和领域专用分析工具包。作为在线交互平台，TastePeptides-Meta 提供搜索、下载和味觉肽预测等多个接口。该平台公开可用，并实施标准化数据模式，有望加速味觉肽机制研究以及数据驱动、可解释模型的发展，用于预测和探索味觉机制。
-
利用高光谱成像技术和可解释人工智能评估瓜楼子质量
查看原文
2025
LWT
中科院一区JCR一区
Dan Xiao, Ruibin Bai, Siman Wang, Youyou Wang, Qingxiu Hao, Ling Dong, Weiwen Li, & Jian Yang
计算机标签
机器学习/统计学习 模型可解释性 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
豆类与坚果（及籽类） 品质、结构与理化性质 显微与成像技术陈年和新鲜的挂楼子（GLZ）掺假对产品质量和消费者健康构成风险。本研究旨在通过将高光谱成像（HSI）与可解释人工智能（XAI）相结合，开发一种快速、无损且高通量的GLZ质量评估方法。首先，从存储时间不同的两个样品组--万楼20号（GLZ-20）和万楼9号（GLZ-9）--收集光谱数据。对全波长预处理光谱数据用于构建分类模型。然后，将Shapley加性解释（SHAP）应用于模型进行全局可解释性分析，以选择特征波长。结果表明，基于SHAP的特征选择优于传统方法。使用前16个和23个SHAP选择的波长的模型，在预测集中对GLZ-20和GLZ-9的预测准确率分别达到了97.2%和98.3%。在验证集I中，准确率达到97.7%和98.9%。在验证集II中，两种品种的预测误差均低于3.3%。此外，基于SHAP的模型解释揭示了特征波长与样品特性之间的内在关系，从而提高了判别结果的可靠性。本研究确认了将高光谱成像（HSI）与可解释人工智能（XAI）结合用于GLZ质量评价的可行性，并为种子型坚果的评估提供了参考框架。
-
时间营养分析将饮食规律性和质量与肠道微生物多样性联系起来：来自Food & You数字队列的见解
查看原文
2025
Nature Communications
中科院一区JCR一区
Jakub Jasiński, Joakim Hagel, Samuel Brem, Edith Wietek, Takashi Taniguchi, Kenji Watanabe, Alexey Chernikov, Nicolas Bruyant, Mateusz Dyksik, Alessandro Surrente, Michał Baranowski, Duncan K. Maude, Ermin Malic & Paulina Plochocka
计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 文本/知识库/法规数据食品标签
肠道健康与微生物相关功能 其他方法 益生菌/益生元/合生元新的研究证据表明，用餐时间（即“时间营养”）会对代谢健康产生影响，但其与肠道微生物群之间的关系仍不为人所充分理解。在此，我们利用“食物与你”数字样本队列来探究饮食规律和质量与肠道微生物多样性之间的关联。我们从一个庞大的人群中收集了详细的饮食日志和微生物样本，以量化饮食模式。我们训练了机器学习模型，根据饮食特征来预测肠道微生物多样性（香农指数）。我们的分析表明，饮食规律——特别是用餐时间的稳定性——是肠道微生物多样性的一个强有力的预测指标，且不受饮食质量的影响。特征重要性分析显示，不规律的饮食安排与较低的微生物多样性以及不良细菌种类的丰富度有关。这些发现强调了“何时进食”对于维持健康肠道生态系统的重要性，同时也展示了数字样本队列与机器学习相结合在个性化营养研究中的应用价值。
-
通过深度学习算法和可解释人工智能对海鲷Sparus aurata的品质预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
İsmail Yüksel Genç, Remzi Gürfıdan & Tuncay Yiğit
计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
鱼肉 颜色与外观品质本研究利用卷积神经网络（CNN）、密集网络121（DenseNet121）、Inception V3以及残差网络50（ResNet50）机器学习算法，通过鲷鱼眼部和鳃部图像，探究冷藏条件下鲷鱼的品质变化规律。研究将鲷鱼新鲜度划分为新鲜、中度变质和完全变质三个等级。模型预测准确率最高可达100%，变质等级的最低预测准确率为98.42%。研究采用可解释人工智能（XAI）算法（梯度加权类激活映射Grad-CAM、局部可解释模型无关解释LIME）对所得结果进行分析。研究结论表明，结合Grad-CAM与LIME算法构建的卷积神经网络和DenseNet121模型，可作为一种无损检测方法，用于判定冷藏环境下鲷鱼的新鲜度。
