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
-
基于多光谱数据融合策略与化学计量学的日照绿茶产地溯源研究
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Mengqi Guo, Zhiwei Chen, Zezhong Ding, Dewen Wang, Dandan Qi, Min Lu, Mei Wang & Chunwang Dong
计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据 质构/流变/感官数据 多模态/融合数据食品标签
茶/茶饮料 品质、结构与理化性质 感官评价与方法学 光谱/色谱/质谱等分析方法 其他理化与结构表征 蛋白质与氨基酸 多酚与黄酮 咖啡因本研究提出了一种将多光谱数据融合策略与化学计量学分析相结合的新方法，用于日照绿茶的产地溯源。研究发现，日照绿茶与中国南方茶叶在感官评分和关键理化成分（儿茶素、咖啡因和氨基酸含量）方面存在显著差异。通过整合近红外和高光谱技术的数据，多元模型（包括偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林（RF）和卷积神经网络（CNN））的预测精度得到了提高。融合数据集的性能优于单一光谱数据集。研究发现，不同地区的茶叶样品存在显著的光谱差异，从而实现了可靠的区分。基于近红外光谱数据的支持向量机（SVM）和随机森林（RF）判别模型均达到了100%的准确率。该方法为绿茶溯源提供了一种可靠且高效的工具，有望在茶叶行业的质量控制和真实性验证中得到应用。
-
机器学习驱动的台式可见/近红外光谱用于在线检测杂交柑橘质量
查看原文
2025
Food Research International
中科院一区JCR一区
Tao Jiang, Weidan Zuo, Jianjun Ding, Shaofeng Yuan, He Qian, Yuliang Cheng, Yahui Guo, Hang Yu & Weirong Yao
计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法本研究旨在探索可见/近红外光谱结合机器学习模型用于杂交柑橘可溶性固形物和可滴定酸含量预测的应用。使用台式设备采集了样本的可见/近红外光谱，包括脐部区域、赤道区域以及脐部与赤道区域的多区域组合光谱。评估了基于不同区域光谱构建的可溶性固形物和可滴定酸含量预测模型的性能，所用模型包括偏最小二乘法、随机森林、K最近邻、支持向量机和多层前馈神经网络。基于多区域组合原始光谱的可溶性固形物和可滴定酸预测模型准确度优于基于脐部或赤道区域光谱的模型，表明多区域组合光谱采集方法更适用。随后，对光谱进行了预处理，包括Savitzky-Golay平滑、最大值归一化、多元散射校正、线性基线校正和一阶导数。进一步比较了基于不同预处理光谱的可溶性固形物和可滴定酸预测模型的性能。经Savitzky-Golay平滑光谱的偏最小二乘法模型和原始光谱的多层前馈神经网络模型分别在可溶性固形物和可滴定酸预测中表现出最优的验证效果。在新样本的后续预测中，经Savitzky-Golay平滑光谱的偏最小二乘法模型对可溶性固形物预测的Rp2为0.875，RMSEP为0.572%，MAEP为0.469%；原始光谱的多层前馈神经网络模型对可滴定酸预测的Rp2为0.800，RMSEP为0.0322%，MAEP为0.0249%，表明模型具有出色的泛化能力。这些结果表明台式可见/近红外光谱在大规模水平上在线检测杂交柑橘质量具有巨大潜力。
-
Bagging和Boosting机器学习算法从简单化学变量建模感官知觉：以葡萄酒口感为例
查看原文
2025
Food Quality and Preference
中科院一区JCR一区
María-Pilar Sáenz-Navajas, Chelo Ferreira, Susan E. P. Bastian & David W. Jeffery
计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集食品标签
酒精饮料 感官科学与消费者研究 光谱/色谱/质谱等分析方法 传统统计分析与回归旨在根据化学数据预测感官特性，对集成袋装和增强型机器学习（ML）算法的应用进行了全面研究，并将其应用于基于简单化学测量对澳大利亚和西班牙的 30 种商业红葡萄酒口感进行建模。由 15 名澳大利亚酿酒师使用“所有适用率”感官方法描述了这些葡萄酒的口感特性。同时，还获取了这些葡萄酒的线性扫描伏安信号、激发发射矩阵（EEM）和吸光度数据。数据按照无监督统计策略进行分析，包括主成分分析（PCA，采用方差最大旋转）以简化感官变量的解释，以及基于 ML 的监督回归模型，即随机森林（RF）和极端梯度提升（XGBoost）。PCA 结果表明，四个独立且不相关的感官维度主要与“干燥”、“丰满度”、“丝滑”和“黏腻”等感知相关，这些维度在不同葡萄酒之间有所区分。RF 和 XGBoost 算法生成的验证性回归模型优于传统的 PLS 模型。这些机器学习算法在测试数据上的预测表现十分出色，对于所使用的任何一组化学变量，其平均准确率都超过了 80%。尽管 XGBoost 提供的模型略好一些，但随机森林所需的计算量较小，这一点具有优势。模型中包含的关键变量以及控制过拟合的重要性也进行了讨论。总的来说，吸光度、伏安法或 EEM 信号与随机森林或 XGBoost 算法相结合，被展示为一种成本低廉、易于使用且快速的方法，可用于从复杂的基质（如葡萄酒）中的化学信号预测感官特性。
-
核心产区陈年老陈皮的风味特征分析：一种结合GC-IMS、GC-MS、电子鼻、电子舌和化学计量学的综合方法
查看原文
2025
Food Chemistry
中科院一区JCR一区
Haocheng Liu, Manqin Fu, Jijun Wu, Yuanshan Yu, Weili Si, Yujuan Xu & Jiguang Yang
计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法本研究采用气相色谱-质谱联用（GC-MS）、气相色谱-离子迁移谱（GC-IMS）、电子鼻和电子舌，对来自5个核心产区、陈化年限为5至40年的广陈皮（GCP）的风味特征进行了分析。主要研究结果包括：电子鼻中W1W、W2S和W5S传感器，以及电子舌中的苦味、鲜味、甜味、酸味和涩味至关重要。共鉴定出219种挥发性有机化合物（VOCs），通过偏最小二乘判别分析（PLS-DA）筛选出43种特征性挥发性有机化合物。风味化合物的变化呈现“Λ”形，在30年陈化时达到峰值。陈化对风味的影响大于产地，其中天马产区（TM）的样品风味最浓郁。在开发的7种机器学习预测模型中，随机森林（RF）模型表现最佳，在产地鉴别中准确率达100%，在陈化年限预测中准确率达96%。通过排名前10的关键特征，验证了异丙醇和5-甲基-2（3H）-呋喃酮等关键特征因子，证实了模型的可解释性。
-
使用机器学习算法结合屠宰场饲养员行为和动物行为预测牛黑切肉：土耳其的一项研究
查看原文
2025
Meat Science
中科院一区JCR一区
Seyfi Özdemir, Gonca Nuran Özdemir & Bulent Ekiz
计算机标签
随机森林 梯度提升决策树 特征工程与选择策略 分类/鉴别/等级评定食品标签
畜肉 颜色与外观品质本研究旨在利用多种机器学习算法，探讨屠宰场饲养员行为、动物行为与牛黑切肉发生之间的关系。研究还将季节、年龄、性别、品种、胴体擦伤评分、胴体重以及各种运输相关变量作为协变量和黑切肉的潜在预测因子。数据采集自648头牛，包括荷斯坦牛、瑞士褐牛和西门塔尔牛。黑切肉胴体的百分比为6.64%。采用合成少数类过采样技术将不平衡数据集转换为平衡数据集。机器学习应用于四种不同的模型，这些模型基于是否纳入协变量、饲养员行为和动物行为作为预测因子来定义。Boosting算法获得了最高的准确率值（0.97）。在所有算法中，包含饲养员行为作为预测因子的模型均取得了最高的准确率值。根据Boosting算法，年龄、屠宰走廊中电击棒的使用和击打以及休息栏类型是影响黑切肉的最重要特征。总之，使用Boosting和随机森林算法，结合包含饲养员行为、动物行为和多种协变量的模型，可以以令人满意的准确率对正常和黑切肉胴体进行分类。然而，本研究反映了土耳其当地的牛只处理实践；需要进一步的研究来探索其他国家的牛只处理实践。
