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
-
结合化学计量学的ATR-FTIR和FT-NIR光谱技术应用于牛肝菌物种鉴别与质量预测
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 智能手机/其他 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据食品标签
新鲜蔬菜 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸食用菌的风味和香气是消费者购买时的评判标准，它们受到氨基酸及其代谢物的影响。采用液相色谱-质谱联用技术（LC-MS）鉴定出68种氨基酸及其代谢物，并筛选出16种关键标志物成分。通过二维相关光谱（2DCOS）对不同种类牛肝菌的化学成分进行表征，以确定分子振动或基团变化的顺序。基于偏最小二乘判别法（PLS-DA）结合傅里叶变换近红外光谱（FT-NIR）和傅里叶变换红外光谱（ATR-FTIR），以及残差卷积神经网络（ResNet）结合三维相关光谱（3DCOS）对牛肝菌种类进行鉴定，准确率均达到100%。偏最小二乘回归（PLSR）分析表明，FT-NIR和ATR-FTIR光谱与LC-MS检测到的氨基酸及其代谢物具有高度相关性。所有模型的R²p均达到0.911，RPD＞3.0。结果表明，FT-NIR和ATR-FTIR光谱结合化学计量学方法可用于牛肝菌的快速种类鉴定以及氨基酸及其代谢物含量的估算。本研究为牛肝菌的种类信息真实性及质量评估提供了新的技术和思路。
-
基于傅里叶变换近红外光谱结合深度学习和化学计量学的青稞啤酒糖化和煮沸阶段柏拉图度与总黄酮含量定量建模
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 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
杂粮 酒精饮料 品质、结构与理化性质 过程优化与控制策略 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类 多酚与黄酮精酿啤酒酿造商需要从传统工业生产中学习过程控制策略，以确保成品质量的一致性。本研究首次将傅里叶变换红外光谱（FT-IR）与深度学习相结合，对青稞啤酒在糖化和煮沸阶段的柏拉图度及总黄酮含量进行建模分析，并与传统化学计量学方法的效果进行比较。研究设计了两种深度学习神经网络，探讨了变量输入方式对模型效果的影响。实验结果表明，CARS-LSTM模型的预测性能最佳，不仅是糖化阶段（R²p = 0.9368）和煮沸阶段（R²p = 0.9398）柏拉图度的最佳定量模型，也是煮沸阶段总黄酮含量（R²p = 0.9154）的最佳模型。本研究展示了深度学习的巨大潜力，为啤酒酿造过程中的质量控制分析提供了新方法。
-
基于机器学习的太赫兹无损检测花生种子质量研究
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
计算机标签
卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法快速鉴定花生种子质量对公众健康至关重要。在本研究中，我们提出了一种采用卷积神经网络（CNN）机器学习方法的太赫兹波成像系统。太赫兹波能够穿透种壳识别花生质量，且不会对种子造成任何损伤。我们研究了种子质量在太赫兹波图像上的特异性，并总结了五种不同质量种子的图像特征。将太赫兹波图像数字化后用于卷积神经网络的训练和测试，使得该模型在质量鉴定中的准确率高达98.7%。经过训练的太赫兹-卷积神经网络系统能够准确识别标准种子、霉变种子、有缺陷种子、干燥种子和发芽种子，平均检测时间为2.2秒。该过程不需要任何样品制备步骤，如浓缩或培养。我们的方法能够快速、准确且无损地评估带壳种子的质量。
-
基于LC-HRMS与1H NMR代谢组学数据融合方法的Amarone葡萄酒按风干时间与酵母菌株分类
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 智能手机/其他 分类/鉴别/等级评定 组学数据 多模态/融合数据食品标签
酒精饮料 食品安全与风险评估 质量管理与追溯系统 光谱/色谱/质谱等分析方法 代谢组学本研究结合两种非靶向代谢组学方法（液相色谱-高分辨质谱法和氢核磁共振波谱法），根据葡萄的萎凋时间和酵母菌株对阿马罗内葡萄酒进行分类。研究采用了多组学数据整合方法，将无监督数据探索（多组学数据整合分析）和有监督统计分析（稀疏偏最小二乘判别分析）相结合。
结果显示，多组学伪特征值空间表明数据集之间的相关性有限（RV系数=16.4%），这提示了这些检测方法的互补性。此外，稀疏偏最小二乘判别分析模型能根据萎凋时间和酵母菌株对葡萄酒样品进行正确分类，相较于单一技术所获得的结果，该模型对葡萄酒代谢组的表征更为全面。在整个萎凋过程中，氨基酸、单糖和多酚类化合物的积累存在显著差异，且样品分类的错误率较低（7.52%）。
总之，该策略在整合大型组学数据集以及识别能够根据葡萄酒样品特性对其进行区分的关键代谢物方面展现出了较强的能力。 -
利用近红外光谱数据与统计方法进行蚕豆种子质量高通量分析
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 智能手机/其他 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 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 脂质与脂肪酸近红外光谱（NIRS）提供了一种高通量表型分析技术，可辅助育种以提高蚕豆种子质量。我们通过化学计量学方法将蛋白质、油含量（及组成）的化学分析与近红外光谱相结合，采用偏最小二乘（PLS）、弹性网络（EN）、基于记忆的学习（MBL）和贝叶斯B（BB）作为预测模型。在田间试验中，蛋白质是预测最可靠的性状（R²=0.96–0.98），其次是油（R²=0.82–0.86）和油酸（R²=0.31–0.68）。使用K均值聚类选择用于训练模型的样本。用于预测的最佳统计方法因化合物而异：蛋白质采用PLS（均方根误差——RMSE=0.46），油采用BB（RMSE=0.067），油酸含量采用EN（RMSE=2.83）。缩减训练集模拟显示，根据模型和化合物的不同，对预测准确性有不同影响。利用EN和BB的收缩和变量选择能力，确定了几个近红外区域对这些化合物具有高度信息价值。
