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 1098 条结果
-
基于高光谱成像的灵芝子实体多糖含量预测
查看原文
2023
Analytical Methods
中科院一区JCR一区
计算机标签
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱食品标签
食用菌菇 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类灵芝是一种传统的健康食品，具有多种营养成分，其中多糖是其主要的活性成分之一。灵芝多糖在提高人体免疫力和抗氧化方面发挥着重要作用。目前，灵芝多糖含量的检测方法多为破坏性方法，步骤复杂且耗时。本研究旨在探索使用高光谱成像技术在灵芝生长过程中无损预测多糖含量的可能性。采用Savitzky-Golay和标准正态变量变换进行预处理，结合连续投影算法进行特征选择，建立的偏最小二乘回归模型表现出良好的预测性能（Rp2 = 0.924，RPDp = 3.622）。研究表明，高光谱成像技术可以快速、无损地检测灵芝多糖含量，为灵芝种植产业提供指导，并提高其经济效益。
-
机器学习辅助的多元素建模用于食用动物血制品真伪鉴别
查看原文
2022
Food Chemistry: X
中科院一区JCR一区
计算机标签
主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 组学数据食品标签
内脏及副产物 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素提出了元素指纹图谱结合机器学习建模用于食用动物血凝胶（EABG）的物种鉴别。采用电感耦合等离子体质谱法（ICP-MS）和原子吸收光谱法（AAS）测定了来自鸭、鸡、牛、猪和羊五种动物的150个EABG样品中的25种元素。构建并优化了极限学习机（ELM）模型。通过逐步判别分析和单因素方差分析筛选关键输入元素，并比较了主成分分析（PCA）和Fisher线性判别分析（Fisher LDA）进行降维。从测量元素的相对含量中通过单因素方差分析选择关键元素，获得最优ELM模型，训练集和测试集的准确率分别为98.0%和96.0%。所有研究结果表明，元素指纹图谱结合ELM在食用动物血制品真伪鉴别方面具有巨大潜力。
-
基于UPLC-MS/MS和MaxEnt模型评估影响红花椒品质的气候因素
查看原文
2022
Food Chemistry: X
中科院一区JCR一区
计算机标签
智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品标签
香精香料 特征风味 光谱/色谱/质谱等分析方法通过实地调查，运用UPLC-MS/MS技术和MaxEnt模型预测了2021年至2060年间红花椒在中国适宜分布区，并评估了气候因素对红花椒品质的影响。结果表明，最冷季度平均温度和最冷月份最低温度是影响红花椒分布的最重要环境变量。红花椒的适宜生境主要位于秦巴山区的干热河谷地带以及黄土高原的半湿润半干旱地区。高适宜区花椒的酰胺含量较高，而在中、低适宜区其含量下降，温度、风速和降水量对其积累起着关键作用。该研究对于红花椒的种植区域优化、品质控制、效益提升及产业发展具有重要意义。
-
基于近红外光谱的人工神经网络模型权重解释用于大米（Oryza sativa L.）分析
查看原文
2022
Food Chemistry: X
中科院一区JCR一区
计算机标签
智能手机/其他 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据食品标签
大米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类基于人工神经网络（ANN）利用近红外光谱数据建立大米主要营养成分的预测模型。提出并对权重值进行科学解释，以了解对营养预测有贡献的波数。从110个大米样本中获取近红外光谱。预测的碳水化合物和水分含量的决定系数、相对均方根误差、范围误差比和剩余预测偏差分别为0.98、0.11%、44和7.3，以及0.97、0.80%、27和5.8。结果与先前研究报告以及通过传统偏最小二乘（PLS）-变量重要性投影方法获得的结果吻合良好。本研究表明，近红外光谱与人工神经网络的结合是监测大米营养的强大而准确的工具，并且可以对权重进行科学解释以克服人工神经网络的黑箱特性。
-
傅里叶变换近红外光谱结合化学计量学快速检测姜粉掺假
查看原文
2022
Food Chemistry: X
中科院一区JCR一区
计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据食品标签
香精香料 食品安全与风险评估 颜色与外观品质 常规理化指标测定 光谱/色谱/质谱等分析方法姜粉是一种世界流行的香料。由于其营养价值，姜粉成为了一个诱人的掺假目标，且不易被检测出来。本研究开发了色度分析和傅里叶变换近红外光谱结合化学计量学的方法，用于识别和量化姜粉及其掺假物。结果表明，通过色度分析无法完全区分纯姜粉和掺假姜粉。而优化的近红外光谱可以准确地区分 authentic 姜粉和掺假样品。随机森林和梯度提升算法在分类中表现出最高的准确率（100%）。此外，成功建立了一个定量模型来预测姜粉中的掺假水平。对于纯姜粉和掺假姜粉，预测偏差的最佳参数分别为 8.92、13.68、14.61 和 4.30。总体而言，FT-NIR 光谱是一种有前景的工具，可以快速识别姜粉中潜在的掺假并追踪掺假物类型。
