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
-
基于高效多维数据融合的祁门红茶快速全面等级评价
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 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据食品标签
茶/茶饮料 颜色与外观品质 特征风味 感官评价与方法学 显微与成像技术 光谱/色谱/质谱等分析方法 传统统计分析与回归 植物化学/生物活性成分为开发一种祁门红茶的全面评价方法，我们利用微型近红外光谱、计算机视觉和比色传感器阵列收集数据。采用支持向量机、最小二乘支持向量机、极限学习机和偏最小二乘判别分析算法对不同等级的茶叶进行定性判别。结果表明，采用中级数据融合的LS-SVM模型在测试集中的准确率达到98.57%。为定量测定红茶中的风味物质，我们使用了支持向量回归。没食子酸、咖啡因、表没食子儿茶素、儿茶素、表没食子儿茶素没食子酸酯、表儿茶素、没食子儿茶素没食子酸酯和总儿茶素的预测集相关系数分别为0.84089、0.94249、0.94050、0.83820、0.81111、0.82670、0.93230和0.93608。此外，所有化合物的残留预测偏差值均超过2。因此，将光谱、形状、颜色和香气数据与中级数据融合相结合，可以为祁门红茶品质提供快速、全面的评估。
-
通过加权基因共表达网络分析共表达代谢物与感官属性以探索不同梨品种的风味贡献因子
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 组学数据 质构/流变/感官数据 多模态/融合数据食品标签
新鲜水果 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法 代谢组学 风味组学不同梨属品种的风味特征存在显著差异，但其潜在的风味影响因素仍不明确。在本研究中，采用了包括代谢组学分析、挥发性指纹分析和描述性感官分析在内的综合方法，旨在阐明南果梨、库尔勒香梨和秋月梨品种之间的风味差异，并找出潜在的风味贡献物质。该研究全面表征了非挥发性和挥发性代谢物的种类与浓度，共鉴定出925种代谢物。其中，黄酮类化合物和酯类化合物的累积响应分别最高。利用加权相关网络分析（WGCNA），鉴定出7个高度相关的模块，得到407种关键代谢物。通过对差异物质的进一步相关性分析，发现了与多种感官属性密切相关的潜在风味成分；味觉因素与嗅觉特征存在一定关联。我们的研究结果表明，风味的呈现是多种化合物协同作用的结果；评估嗅觉风味需要综合考虑味觉物质。
-
基于ICP-MS和DOSY NMR谱的起泡酒深度强化学习分类
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
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
酒精饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法一种结合核磁共振波谱法、电感耦合等离子体质谱法（ICP-MS）、先进的张量分解算法以及最先进的深度学习程序的方法，被应用于根据地理 origin 对克罗地亚大陆起泡酒进行分类。研究表明，复杂的高维核磁共振或电感耦合等离子体质谱数据无法仅通过高阶张量分解进行分类。通过深度强化学习对该程序进行扩展，得到了一个精妙的神经网络预测模型，可用于根据地理 origin 对起泡酒进行分类。在一半样本集上训练的网络甚至能够对94%的所有样本进行分类。该模型在样本数量有限以及更简单的统计方法无法产生可靠数据的情况下特别有用。该模型还可进一步用于起泡酒的识别和区分，在真实性或质量控制方面具有很大潜力。
-
应用快速GC电子鼻与FT-NIR结合深度学习算法防止陈皮年份欺诈与质量评价
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
计算机标签
偏最小二乘法 支持向量机 K-近邻 卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法陈皮（Pericarpium citri reticulatae，PCR）是芸香科植物橘（Citrus reticulatae Blanco）及其栽培变种的干燥成熟果皮。它既可作为食物，又可作为药材，具有止咳化痰、促进消化的功效。陈皮的气味和药性会随着年份的增长而陈化，只有具备陈化价值的品种才能被称为“陈皮”。也就是说，陈皮的储存年限对其品质有很大影响。由于不同储存年限的陈皮在色泽和气味上较为相似，一些不法商家常常以低年份陈皮冒充高年份陈皮，牟取暴利。因此，我们开展了本研究，旨在建立一种快速、无损的陈皮储存年限造假鉴别方法，以保护消费者的合法权益。
在本研究中，我们通过电子眼、闪蒸气相色谱电子鼻（flash GC e-nose）和傅里叶变换近红外光谱（FT-NIR）结合机器学习算法，建立了陈皮分类模型，能够快速准确地鉴别不同储存年限的陈皮。利用闪蒸气相色谱电子鼻建立了鉴别不同年份陈皮的PCR和偏最小二乘判别分析（PLS-DA）模型，并鉴定出8种气味成分，其中（+）-柠檬烯和γ-萜品烯是区分不同年份陈皮的关键成分。此外，还通过傅里叶变换近红外光谱结合机器学习算法建立了陈皮的分类和校正模型。分类模型包括支持向量机（SVM）、K近邻（KNN）、长短期记忆网络（LSTM）和卷积神经网络-长短期记忆网络（CNN-LSTM），校正模型包括偏最小二乘回归（PLSR）、LSTM和CNN-LSTM。其中，基于内囊构建的CNN-LSTM模型在分类和校正性能上显著优于其他模型。分类模型的准确率为98.21%。年份、（+）-柠檬烯和γ-萜品烯的决定系数（R²）分别为0.9912、0.9875和0.9891。
这些结果表明，闪蒸气相色谱电子鼻和傅里叶变换近红外光谱结合深度学习算法能够快速准确地鉴别不同年份的陈皮，也为市场上陈皮的质量监测提供了一种有效且可靠的方法。 -
结合离子迁移谱与化学计量学检测红茶中的合成色素：一种可靠、快速的方法
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
茶/茶饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法红茶（Camellia sinensis）是一种被广泛饮用的饮品，存在掺假现象。在本研究中，我们结合离子迁移谱法和机器学习技术来检测红茶中的合成色素。为实现研究目标，我们将六种合成色素（胭脂红、偶氮玉红、靛蓝胭脂红、亮蓝、日落黄和柠檬黄）以不同浓度添加到纯茶中。利用偏最小二乘判别分析（PLS-DA）对收集到的数据建立定性模型，该模型在识别红茶中的合成色素方面准确率达到100%。在定量分析中，采用了偏最小二乘回归模型。测试集的R²值在0.986至0.997之间。本研究开发的方法已被证明在检测红茶中的合成色素方面可靠且有效。此外，该方法还是一种简单、快速且可信的工具，可用于识别红茶中的掺假情况。
