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
-
基于傅里叶变换红外光谱与机器学习方法的啤酒挥发性化合物鉴别与定量
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 主成分分析/判别分析 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
酒精饮料 特征风味 光谱/色谱/质谱等分析方法啤酒中挥发性化合物的组成对啤酒品质至关重要。本文采用气相色谱-质谱联用（GC-MS）技术，在9种不同类型的啤酒中鉴定出23种挥发性化合物，即12种酯类、4种醇类、5种酸类和2种酚类。通过对风味化合物数据进行主成分分析（PCA），可以很好地区分不同类型的啤酒。己酸乙酯、辛酸乙酯和苯乙醇被确定为区分不同啤酒的关键挥发性化合物。基于傅里叶变换红外光谱（FTIR）的特征波长，采用偏最小二乘回归分析对啤酒样品中6种关键挥发性化合物的含量进行建模和预测。预测模型中每个样品的决定系数（R²）为0.9398–0.9994，预测均方根误差（RMSEP）为0.0122–0.7011。本文提出的方法已应用于啤酒样品中风味化合物的测定，与气相色谱-质谱联用（GC-MS）方法相比具有良好的一致性。
-
基于网络方法评估碱化与非碱化商业可可粉代谢谱差异的研究
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 组学数据食品标签
巧克力及含可可制品 代谢组学可可可经过碱化处理以增强其颜色和溶解度。这一过程会降低可可的涩味，并改变其成分，特别是与可可健康益处相关的酚类化合物含量。本研究旨在探究碱化处理对七种商业可可粉成分的影响。研究采用基于液相色谱的代谢组学方法，评估碱化可可粉与非碱化可可粉之间的代谢差异。通过有监督的正交偏最小二乘判别分析（OPLS-DA）来识别组间最具区分性的变量，并利用基于特征的分子网络（FBMN）探索化学空间。研究获得了347种最具区分性的代谢物，其中60种进行了初步注释。碱化可可中的酚类化合物、溶血磷脂酰乙醇胺、氨基酸及其衍生物显著减少，而脂肪酸及其衍生物则随碱化处理显著增加。尽管商业可可粉之间存在差异，但化学计量学方法仍能阐明碱化处理对其成分造成的特定变化。
-
基于比色传感器阵列结合卷积神经网络近红外光谱技术检测小麦中的玉米赤霉烯酮
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 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 中等规模数据集食品标签
小麦 微生物安全 光谱/色谱/质谱等分析方法小麦是一种至关重要的全球性谷类作物，但其易受霉菌毒素污染的特性可能使其无法使用。本研究探索了将两种新型无损检测方法与卷积神经网络（CNN）相结合，用于识别小麦中的玉米赤霉烯酮（ZEN）污染。首先，使用由六种选定的卟啉基材料组成的比色传感器阵列捕捉小麦样品的嗅觉特征。随后，对反应后的比色传感器阵列进行近红外光谱特征表征。然后，基于这些数据提出了CNN定量分析模型，同时建立了传统机器学习模型，即偏最小二乘回归（PLSR）和支持向量机回归（SVR），以作比较。结果表明，CNN模型具有更优异的预测性能，其预测均方根误差（RMSEP）为40.92μg·kg⁻¹，预测决定系数（R²）为0.91。这些结果证实了将比色传感器阵列与近红外光谱相结合在评估小麦及潜在其他谷物安全性方面的潜力。此外，CNN能够自主学习并从光谱数据中提取特征，为进一步的光谱分析提供可能，使其成为一种具有前瞻性的光谱分析工具。
-
基于短波红外成像的预处理方法与机器学习算法在干紫菜蛋白质含量测定中的创新策略
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
计算机标签
支持向量机 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱食品标签
其他肉与水产品 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸在本研究中，我们探究了短波红外（SWIR）高光谱成像结合竞争性自适应重加权采样（CARS）和先进回归模型在紫菜干蛋白质含量无损检测中的应用。我们利用900–1700 nm的光谱范围，旨在通过CARS选择信息丰富的波长，并应用多种预处理技术（标准正态变量[SNV]、Savitzky-Golay滤波[SG]、正交信号校正[OSC]和StandardScaler[SS]）来提高模型的准确性，从而优化质量控制流程。基于CARS选择的波长训练的SNV-OSC-StandardScaler-支持向量回归（SVR）模型显著优于其他配置，其预测决定系数（Rp²）为0.9673，预测均方根误差为0.4043，剩余预测偏差为5.533。这些结果凸显了短波红外高光谱成像作为一种快速、精确的紫菜干质量评估工具的潜力，有助于食品行业的质量控制和紫菜干市场的发展。
-
基于廷德尔效应与化学计量学的白酒快速非侵入式识别
查看原文
2024
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 定量预测/回归分析 可见光/RGB/视频数据食品标签
酒精饮料 食品安全与风险评估 特征风味 质量管理与追溯系统 光谱/色谱/质谱等分析方法白酒的价值受其风味、年份和掺假情况的影响。因此，一种简单快速的鉴别方法对市场而言至关重要。在本研究中，我们提出了一种利用丁达尔效应结合化学计量学分析的白酒快速、非侵入性鉴别技术。我们的实验首先用405纳米波长的激光照射白酒，并记录由丁达尔效应产生的明亮光路。为了进一步分析颜色和亮度信息，我们采用了主成分分析（PCA）、线性判别分析（LDA）、层次聚类分析（HCA）和多层感知器（MLP）。本研究建立了白酒中丁达尔光路的亮度与七种微量风味化合物之间的相关性。研究结果表明，该方法能有效鉴别白酒的风味、窖龄和掺假情况，还能定量检测风味化合物的浓度。此外，我们还开发了一个分析平台，以实现对白酒的快速鉴别。
