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
-
通过智能感官技术、气相色谱-质谱联用、气相色谱-离子迁移谱和机器学习分析四种新型烤法对烤羊肉串风味的影响
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
计算机标签
支持向量机 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 多模态/融合数据食品标签
畜肉 传统热加工 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法为分析四种新型烤法（D：电烤箱、W：微波炉、K：空气炸锅、L：电烤炉）与T法（传统炭火烤制）对烤羊肉串感官评价、智能感官技术（电子鼻和电子舌）及挥发性有机化合物的影响。采用HS-SPME-GC-MS和HS-GC-IMS分析VOCs。此外，整合基于色谱的方法、智能感官技术和感官评价的数据进行多变量统计分析，并使用五种机器学习模型预测VOCs和烤法。与T法相比，K法和L法产生了更高浓度的不饱和醛类、酮类和酯类。K法表现出独特的黄油味。卷积神经网络-支持向量机模型在预测VOCs和烤法方面表现出优越的性能。总体而言，K法和L法可作为生产烤羊肉串的新型烤法，且CNN-SVM模型可有效预测其风味特征。
-
基于YOLOv5s算法和CBAM的鲭鱼产品增强批量分选与快速感官分析：通过TPA、色差仪和PLSR分析的验证
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
计算机标签
模型设计/优化策略 偏最小二乘法 目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据食品标签
鱼肉 质构与流变性质 颜色与外观品质 感官评价与方法学 常规理化指标测定 质构与流变测试 显微与成像技术参考引用：Huang, Y. Z., Han, L., Yang, X., Liu, Y., Zhu, B. W., & Dong, X. P. (2023). Enhanced batch sorting and rapid sensory analysis of Mackerel products using YOLOv5s algorithm and CBAM: Validation through TPA, colorimeter, and PLSR analysis. Food Chemistry: X, 19, 100733.
This study employed the YOLOv5s algorithm to establish a rapid quality identification model for Pacific chub mackerel (S. japonicus) and Spanish mackerel (S. niphonius). Data augmentation was conducted using the copypaste augmentation within the YOLOv5s network. Furthermore, a small object detection layer was integrated into the network structure's neck, while the convolutional block attention module (CBAM) was incorporated into the convolutional module to optimize the model. The model's accuracy was assessed through sensory evaluation, texture profile analysis, and colorimeter analysis. The findings indicated that the enhanced model achieved a mAP@0.5 score of 0.966, surpassing the original version's score of 0.953. Moreover, the improved model's params was only 7.848 M, and an average detection time of 115 ms/image (image resolution 2400 × 3200). Furthermore, sensory and physicochemical indicators are reliably distinguished between qualified and unqualified subjects. The PLSR model exhibited R²X, R²Y, and Q² values of 0.977, 0.956, and 0.663, respectively.
本研究采用YOLOv5s算法建立了太平洋鲭鱼（S. japonicus）和西班牙鲭鱼（S. niphonius）的快速质量识别模型。在YOLOv5s网络中使用了copy-paste数据增强技术进行数据扩充。此外，在网络结构的颈部集成了一个小目标检测层，并将卷积块注意力模块（CBAM）纳入卷积模块以优化模型。通过感官评价、质地剖面分析和色差仪分析评估了模型的准确性。研究结果表明，改进后的模型取得了0.966的mAP@0.5分数，超过了原版本的0.953。此外，改进后模型的参数量仅为7.848 M，平均检测时间为115毫秒/图像（图像分辨率2400×3200）。感官和理化指标能够可靠地区分合格与不合格样品。PLSR模型的R²X、R²Y和Q²值分别为0.977、0.956和0.663。 -
利用微型近红外光谱技术对'秋月'梨木栓斑病早期无症状诊断方法
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
计算机标签
支持向量机 超参优化/自动机器学习 缺陷/异物检测与定位 红外/拉曼光谱数据食品标签
新鲜水果 其他安全问题 过程监测与在线检测 常规理化指标测定 光谱/色谱/质谱等分析方法 矿物质与微量元素'秋月'梨木栓斑病的早期症状与健康果实难以区分，阻碍了生产中的早期识别。本研究检测了木栓化褐变的'秋月'梨、无症状果实和健康果实的相关矿质元素含量。利用微型近红外光谱仪采集光谱信息，并对近红外光谱数据应用多种预处理方法。使用原始数据进行支持向量机建模，总体识别准确率最高达到84.65%，F1值为84.06%。对于识别无木栓斑病的果实，采用SG方法处理数据并通过Autokeras建模，最佳准确率达到90%。这些发现为'秋月'梨木栓斑病的早期识别和诊断提供了可靠基础，有助于提升梨生产管理。
-
基于风味组学和机器学习解析关键香气成分与浓香花生油感官特性之间的关系
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
计算机标签
偏最小二乘法 随机森林 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品标签
植物油 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法 风味组学通过结合风味组学和机器学习筛选了33种不同香气类型的浓香花生油的关键香气成分。共鉴定出108种挥发性化合物，其中100种被准确定量，38种化合物的香气活性值≥1。33种花生油呈现出新鲜花生、烤坚果、烧焦、过度烧焦、甜味、花生酱、膨化食品和异味的不同强度，可分为四种香气类型：生香、淡香、浓香和咸香。偏最小二乘回归分析、随机森林和分类回归树揭示，2-乙酰基吡嗪对新鲜花生风味有负面影响，并能很好地区分生香样品；2-甲基丁醛和4-乙烯基愈创木酚是烤坚果风味的关键化合物，在浓香和生香样品中存在显著差异（P<0.0001）；糠醛对膨化食品风味有贡献，同时也是咸香风味的关键化合物。
-
基于FT-NIR与多元算法结合的酸枣仁及其掺假物快速评估
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
计算机标签
机器学习/统计学习 特征工程与选择策略 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
豆类与坚果（及籽类） 其他安全问题 常规理化指标测定 光谱/色谱/质谱等分析方法酸枣仁是一种以其镇静和改善睡眠特性而著称的珍贵种子。然而，其价格的上涨伴随着掺假问题的出现。本研究采用色度分析和傅里叶变换近红外光谱结合多元算法，用于鉴别掺假并定量预测掺假比例。研究结果表明，仅使用色度提取器不足以识别掺假比例。通过FT-NIR提取的ZMS和HAS掺假物的原始光谱分别经过SNV + CARS和1d + SG + ICO方法处理后，机器学习分类模型的平均准确率从77.06%提高到97.58%。此外，两个掺假比例定量预测回归模型的校正集和预测集的决定系数均大于0.99，显示出优异的线性和预测精度。总体而言，本研究表明，FT-NIR结合多元算法为解决日益严重的酸枣仁掺假问题提供了一种重要方法。
