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 712 条结果
-
开发稳定生长/非生长边界模型需要多少次条件重复？
查看原文
2021
Food Control
中科院一区JCR一区
Natsuki Tsuruma, Shinya Doto, Wataru Ishida, Kento Koyama, & Shigenobu Koseki
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 小规模数据集食品标签
其他酱腌/发酵食品 食品安全与风险评估本研究以 pH 值、加热温度和水分活度（aw）为自变量，分别采用逻辑回归算法与神经网络算法，构建了简单芽孢杆菌（Bacillus simplex）的生长 / 非生长边界模型。该模型的建立基于胰蛋白胨大豆肉汤（TSB）培养基中的菌株生长响应数据，培养基中初始菌浓度约为 10 CFU/mL。实验共设置 192 组条件：pH 值设 4 个水平（7.0、6.6、6.2、5.8），加热温度设 4 个水平（70、80、85、90 ℃，均保温 10 min），贮藏时间设 4 个水平（1、2、3、4 周），水分活度设 3 个水平（0.97、0.98、0.99）。为明确菌株生长概率，每组实验均重复 60 次，最终获得 11520 组数据。研究人员采用胰蛋白胨大豆肉汤培养基和富含营养的加工食品基质代表 —— 卡邦尼酱的独立实验数据集，对所构建的两种模型进行验证。结果显示，两种模型均能准确表征简单芽孢杆菌的生长 / 非生长边界。在实验条件下，pH 值、加热温度、水分活度和贮藏时间这四个参数均对生长 / 非生长边界产生显著影响，其中加热温度与贮藏时间的影响程度高于 pH 值和水分活度。在胰蛋白胨大豆肉汤培养基的独立验证实验中，逻辑回归模型与神经网络模型的正确分类率（FC）分别为 92.2% 和 89.8%。此前研究中普遍采用的三次重复实验方案，用于构建生长 / 非生长边界模型时可能导致生长状态误判；基于此类不准确数据集所建立的模型，其预测结果同样存在偏差，例如反映模型准确度的受试者工作特征曲线下面积（AUC）指标数值会偏低。通过分析实验重复次数与 AUC 值的相关性，本研究确定：构建具有统计学明确意义的生长 / 非生长边界模型时，逻辑回归模型所需的最小实验重复次数应≥10 次，神经网络模型则应≥12 次。研究结果明确阐明了构建此类概率性生长 / 非生长边界模型所需的最低实验重复要求。
-
利用“单类”多元素化学计量学模型区分在喜马拉雅巴斯马蒂地理区域内外部种植的巴基斯坦长粒米
查看原文
2021
Food Control
中科院一区JCR一区
M. Arif, G. Chilvers, S. Day, S.A. Naveed, M. Woolfe, O.Ye. Rodionova, A.L. Pomerantsev, O. Kracht, C. Brodie, A. Mihailova, A. Abrahim, A. Cannavan & S.D. Kelly
计算机标签
机器学习/统计学习 分类/鉴别/等级评定食品标签
大米“巴斯马蒂”（Basmati）是一类稻米的专用名称，特指种植于印度和巴基斯坦印度河 - 恒河平原特定产区的若干限定品种。该稻米因品质上乘而售价高昂，由此易成为受经济利益驱使的掺假欺诈目标。部分不良生产商或经销商会将非巴斯马蒂认证产区种植的稻米冒用标识，冒充巴斯马蒂稻米销售，以牟取暴利。因此，巴斯马蒂稻米的产地溯源鉴别对整个产业链而言至关重要；加之目前相关方正向欧盟委员会提交地理标志（GI）认证申请，产地鉴别的重要性愈发凸显。尽管元素分析法此前已被应用于稻米溯源研究，但针对巴斯马蒂稻米产地鉴别开展的相关研究仍为数不多。本研究证实，将元素分析法与 数据驱动型类比软独立建模法（DD - SIMCA） 相结合，对区分巴基斯坦巴斯马蒂认证产区与非认证产区稻米具有极高的应用潜力，这一方法可有效验证巴斯马蒂稻米产地溯源的 “地理属性” 特征。研究所构建的单类别 DD - SIMCA 模型，灵敏度达 100%，特异度达 98%。
-
使用UHPLC-DAD-MS/MS基于抗氧化性能和多酚成分筛选印度蜂花粉：多变量分析与基于人工神经网络的方法
查看原文
2021
Food Research International
中科院一区JCR一区
Mamta Thakur, & Vikas Nanda
计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他果蔬制品/植物类 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 多酚与黄酮本研究旨在分析来自印度不同地区的蜂花粉样品的多酚组成及抗氧化能力。总酚（TPC）和总类黄酮（TFC）含量分别为 15.50 ± 1.25 - 25.63 ± 1.42 mg GAE/g 和 9.72 ± 0.28 - 15.61 ± 0.74 mg RE/g。香菜花粉的抗氧化活性显著高于其他样品（p < 0.05），表现为 DPPH 自由基清除活性（93.75 ± 0.05%）、铁还原抗氧化能力（103.98 ± 0.82 mmol Fe²⁺/g）、ABTS• 自由基清除活性（96.58 ± 0.65%）以及金属螯合活性（84.62 ± 4.37%）。观察到的抗氧化性能与 TPC 强烈相关，并可通过人工神经网络有效预测。使用UHPLC-DAD-MS/MS鉴定了六十种多酚化合物，包括38种黄酮及其衍生物、21种酚酸及其衍生物以及一种硫代葡萄糖甙，其中首次确认了大豆异黄酮和辛基葡萄糖甙的存在。此外，主成分分析识别了三个主成分，说明了91.24%的总变异，用于区分花粉样品，这些样品也通过层次聚类分析进行了分类。
-
利用机器学习结合发射和吸收光谱数据融合技术区分不同橄榄品种的橄榄油
查看原文
2021
Food Control
中科院一区JCR一区
Dimitrios Stefas, Nikolaos Gyftokostas, Panagiotis Kourelias, Eleni Nanou, Vasileios Kokkinos, Christos Bouras, & Stelios Couris
计算机标签
机器学习/统计学习 分类/鉴别/等级评定食品标签
植物油 光谱/色谱/质谱等分析方法本研究首次采用激光诱导击穿光谱技术（LIBS）结合吸收光谱技术，并辅以机器学习算法，对不同品种希腊特级初榨橄榄油进行鉴别研究。研究采集并分析了 科洛维（Kolovi）与科拉尼基（Koroneiki）两个品种的特级初榨橄榄油及其混合油样的激光诱导击穿光谱与吸收光谱数据，随后分别基于线性判别分析（LDA）和梯度提升算法（GB） 构建分类模型 —— 其中梯度提升算法可实现对关键光谱特征的筛选与判定。结果表明，两种算法均能对橄榄油光谱数据实现高效分类，分类准确率均超过 90%。此外，本研究首次将激光诱导击穿光谱的发射光谱数据与吸收光谱数据进行数据融合，并基于融合数据建立预测模型，模型分类准确率得到显著提升。本研究证实，激光诱导击穿光谱技术与吸收光谱技术的联用方案具备更优检测性能，且二者结合的技术手段在橄榄油品质监测与质量控制领域具有良好的应用潜力。
-
利用蔬菜废弃物和副产品滋养健康肠道菌群：当前证据、机器学习与计算工具在设计新型微生物群靶向食品中的应用
查看原文
2021
Trends in Food Science & Technology
中科院一区JCR一区
Carlos Sabater, Inés Calvete-Torre, Mar Villamiel, F. Javier Moreno, Abelardo Margolles & Lorena Ruiz
计算机标签
机器学习/统计学习 设计/生成与推荐 组学数据 文本/知识库/法规数据食品标签
水果/蔬菜与菌菇类/植物类 营养与生物功能 可持续性与资源高值化 肠道健康与微生物相关功能 标准/法规/数据库分析 微生物组/宏基因组学 膳食纤维与抗性淀粉背景：食物浪费管理是全球粮食安全和环境友好治理的关键问题。全球范围内，供人类消费的食物中有三分之一在食物供应链中损失或浪费，其中初级生产和食品加工环节的损失最为显著。因此，实现零浪费生产方案正成为实现可持续发展目标的一个优先事项。越来越多的证据表明，蔬菜类食物废弃物是多种碳水化合物结构和纤维的丰富来源，为识别和开发增值农业食品废弃物的替代方法提供了机会。
范围与方法：本综述描述了通过生产针对肠道菌群调节的（新型）底物来实现蔬菜废弃物和副产品的价值化，强调了原材料和碳水化合物的结构功能特性的重要性。此外，我们基于机器学习和应用于现有文献及公共数据库信息的其他计算工具，提出了一个用于理性选择具有潜在益生元活性的蔬菜来源的新框架。
主要发现与结论：从不同角度整合蔬菜食物废弃物价值化领域的知识体系，可以理性选择具有前景的益生元活性的碳水化合物基底物。通过利用基于结构、功能和基因组数据的计算工具探索膳食纤维与肠道微生物生态系统之间的相互作用，我们可以识别出有潜力选择性刺激肠道共生菌的底物，这与实验证据一致。我们的方法建立了一个可扩展至多种共生微生物和碳水化合物结构的新框架。
