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
-
基于高光谱成像和自动化可解释机器学习监测羊肉脂质与蛋白质氧化损伤
查看原文
2025
Food Research International
中科院一区JCR一区
Weiguo Yi, Xingyan Zhao, Xueyan Yun, Songlei Wang & Tungalag Dong
计算机标签
机器学习/统计学习 深度学习 模型可解释性 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 氧化、褐变等化学变化 过程监测与在线检测 光谱/色谱/质谱等分析方法目前，利用高光谱成像（HSI）结合机器学习（ML）检测脂质和蛋白质氧化的方法需要数据科学家和领域专家的参与来调整模型架构和优化超参数。此外，预测模型在预测结果和决策过程方面缺乏可解释性。本研究针对经过不同冻融循环处理的羊肉样本的可见-近红外高光谱图像，开发了ML、自动化机器学习（AutoML）和自动化深度学习（AutoDL）模型，以评估在无需人工干预的情况下构建脂质和蛋白质氧化预测模型的可行性。研究使用SHapley Additive exPlanations（SHAP）方法来解释预测模型。结果表明，AutoDL获得了脂质氧化（R2p = 0.9021，RMSEP = 0.0542 mg/kg，RPD = 3.3624）和蛋白质氧化（R2p = 0.8805，RMSEP = 3.8065 nmol/mg，RPD = 3.0789）的有效预测模型。AutoML驱动的堆叠集成模型进一步提高了模型的泛化能力，预测脂质和蛋白质氧化的R2p分别达到0.9237和0.9347。通过SHAP确定的重要波长与光谱分析结果高度一致，并且该分析还确定了这些重要波长对模型输出影响的大小和方向。最后，对羊肉在不同冻融循环中脂质和蛋白质氧化的变化进行了可视化。研究表明，HSI、AutoML和SHAP的结合可以在无需人工协助的情况下，生成高质量的可解释模型，用于监测羊肉的脂质和蛋白质氧化损伤。
-
光谱技术与化学计量学结合快速检测食品掺假：应用、前景与挑战
查看原文
2025
Food Research International
中科院一区JCR一区
Shijie Shi, Kaidi Zhang, Nina Tian, Zhaoqiang Jin, Ke Liu, Liying Huang, Xiaohai Tian, Cougui Cao, Yunbo Zhang & Yang Jiang
计算机标签
机器学习/统计学习 深度学习 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法食品掺假是食品安全的重要威胁，且往往难以检测。传统分析方法通常复杂，不适合大规模样本筛查。本文综述了近三年来六种光谱技术——近红外光谱、傅里叶变换红外光谱、高光谱成像、拉曼光谱、紫外-可见光谱和荧光光谱——结合化学计量学方法在不同食品类别（粉状食品、肉类、蜂蜜、饮料、食用油和乳制品）掺假检测中的应用。讨论了每种光谱技术的原理、优势、局限性和样品适用性。详细探讨了光谱预处理、特征波长选择、数据划分方法、模型评价指标以及线性和非线性化学计量学方法（包括机器学习和深度学习模型）的整合。结果表明，虽然线性化学计量学方法仍被广泛使用，但其在处理光谱数据中非线性关系方面的局限性可能限制光谱技术的全部潜力。因此，未来研究应侧重于采用基于深度学习的化学计量学方法、增强模型可解释性、探索多光谱技术的数据融合策略，并推广便携式光谱解决方案用于实时、现场食品真实性鉴定。本综述为光谱技术与化学计量学相结合在应对食品掺假方面的现状、挑战和未来方向提供了全面视角。
-
利用深度学习预测饮食干预后的代谢物反应
查看原文
2025
Nature Communications
中科院一区JCR一区
Tong Wang, Hannah D. Holscher, Sergei Maslov, Frank B. Hu, Scott T. Weiss & Yang-Yu Liu
计算机标签
其他深度学习结构 模型可解释性 定量预测/回归分析 组学数据食品标签
营养与生物功能 传统统计分析与回归由于个体具有高度个性化的生物特性和生活方式特征，不同的人对特定食物和营养物质的代谢反应可能会有所不同。特别是肠道微生物群，即生活在胃肠道内的数万亿微生物的集合，具有高度的个性化特征，并在对食物和营养物质的代谢反应中起着关键作用。基于个体的肠道微生物组成准确预测饮食干预对代谢物的影响，对于精准营养具有巨大的潜力。现有的预测方法通常局限于传统的机器学习模型。专门用于此类任务的深度学习方法仍然缺乏。在这里，我们开发了一种名为 McMLP（使用耦合多层感知器的代谢物反应预测器）的方法来填补这一空白。我们提供了明确的证据表明，McMLP 在由微生物消费者-资源模型生成的合成数据以及来自六项饮食干预研究的真实数据上都优于现有方法。此外，我们对 McMLP 进行了敏感性分析，以推断食物-微生物-代谢物的三元相互作用。
-
利用SHAP值解释机器学习模型：应用于不同部位羊肉营养分类与预测任务
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Li Wang, Xuchun Sun, Jing Liang, Zhiyuan Ma, Fei Li, Shengyan Hao, Baocang Liu, Long Guo & Xiuxiu Weng
计算机标签
偏最小二乘法 支持向量机 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸新鲜肉类产品中营养成分的快速识别和预测是一项重大挑战。本研究旨在利用支持向量机（SVM）和偏最小二乘（PLS）模型对不同部位的新鲜羊肉进行分类并预测其营养成分，重点关注腰大肌、后腿肉和前腿肉在脂肪酸组成上的差异。SVM-SHAP模型对粗脂肪、蛋白质和脂肪酸进行了预测，同时解释了特征贡献。后腿肉中的多不饱和脂肪酸（PUFA）显著高于腰大肌和前腿肉。SVM模型的分类准确率达到92.5%，并成功预测了粗脂肪（EE）、粗蛋白（CP）、单不饱和脂肪酸（MUFA）和多不饱和脂肪酸（PUFA）等关键营养参数，在测试集中的相对分析误差（RPD）值均超过2.7。SHAP值分析表明，与脂质相关的变量以及2300–2500 nm波段的波长是该模型的主要贡献因素。基于可见-近红外（Vis-NIR）的SVM建模技术是一种快速、无损且准确的新鲜羊肉评估工具。
-
一种基于机器学习的图形特征图开发方法及其在枇杷汁分类中的应用
查看原文
2025
Food Chemistry
中科院一区JCR一区
Qingyue Zhang, Yixiao Wang, Jing Hu, Xiyue Zhang, Jun He, Xiaoting Xuan, Lufang Shi & Yong Sun
计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定食品标签
果蔬饮料 光谱/色谱/质谱等分析方法本研究介绍了一种利用加权人工神经网络（w-ANNs）开发图形特征图的新方法，并展示了其通过基于TensorFlow（TF）实现的卷积神经网络（CNN）在枇杷汁品种（即白沙枇杷汁和红沙枇杷汁）分类中的应用。在特征图生成阶段，顶空气相色谱-离子迁移谱（HS-GC-IMS）分析识别出两组不同的关键化合物，每组包含7种对白沙枇杷汁和红沙枇杷汁具有高响应性的特定化学物质。SHapley可加性解释（SHAP）分析进一步揭示了最具影响力的分子特征描述符（MFDs），其中Kappa2、Gasteiger电荷和LogP是白沙枇杷汁的前三名MFDs，而Kappa2、Kappa3和Fraction_SP3则是红沙枇杷汁最重要的MFDs。随后构建了图形特征图。此外，通过从PubChem检索结构相似的化合物，开发了一个全面的枇杷化学库。性能评估表明，该方法的有效性取决于具体情境，并且在不同的应用场景中可能会有所差异。
