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
-
结合顶空气相色谱-离子迁移谱和机器学习评估黑胡椒粉的真实性
查看原文
2024
Food Research International
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 时序传感器/物联网数据食品标签
玉米 品质、结构与理化性质 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他植物化学物质目前，黑胡椒粉的真实性鉴定是一个重要问题，亟需一种快速、高灵敏度且特异的检测工具，以防止掺假批次进入食品链。为此，本研究在这项初步的概念验证中测试了顶空气相色谱-离子迁移谱（HS-GC-IMS）结合机器学习的方法。研究收集了来自八个国家和三大洲的多种真实样品，并掺入了一系列掺假物，包括内源性副产物和多种外源性物质。该方法无需样品前处理，色谱分离和离子迁移数据采集仅需20分钟。对数据进行探索性分析后，将其提交给两种不同的机器学习算法（偏最小二乘判别分析-PLS-DA 和支持向量机-SVM）。虽然PLS-DA模型的表现未能完全令人满意，但HS-GC-IMS与SVM的结合成功地将样品分类为真实、外源性掺假或内源性掺假，在两个保留测试集上的总体准确率分别达到90%和96%（置信水平95%）。在内源性掺假黑胡椒粉的正确分类方面遇到了一些局限性，预计将通过进一步研究得到缓解。操作员或数据收集的时间跨度并未对黑胡椒粉样品的正确分类产生不利影响（方法开发和模型验证由两名操作员在6个月的研究期间完成，使用的是2015年至2019年收获的黑胡椒粉）。因此，提出将HS-GC-IMS与智能工具结合，用于：(i) 在生产链中使用新批次黑胡椒粉前辅助工业决策；(ii) 减少耗时常规分析的使用；(iii) 在工业质量控制框架内增加分析的黑胡椒粉样品数量。
-
基于LC-QTOF-MS/MS、分子网络和化学计量学并结合抗氧化及抗癌活性的多重方法评估干燥对芸苔属绿叶的影响
查看原文
2024
Food Research International
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 组学数据食品标签
发酵食品及酱腌制品 加工与新加工技术 营养与生物功能 光谱/色谱/质谱等分析方法 植物化学/生物活性成分 多酚与黄酮芜菁叶是多种生物活性植物化学物质的丰富来源，在食品和草药工业中具有巨大潜力。然而，干燥对其成分的影响此前从未被研究过。为此，本研究比较了三种干燥技术：冷冻干燥、真空烘箱干燥和阴干。利用液相色谱-四极杆飞行时间串联质谱结合化学计量学进行的化学谱图分析显示了不同干燥方法对醇提叶片提取物中植物化学成分的不同影响。对LC-QTOF-MS/MS数据的无监督主成分分析和有监督偏最小二乘判别分析显示，三种干燥技术之间存在明显的聚类分离。载荷图和VIP评分表明，芥子酸、异鼠李素糖苷和芥子酰苹果酸盐是冷冻干燥样品的关键标志物。同时，含氧和多不饱和脂肪酸是阴干样品的特征，而含氧多不饱和脂肪酸和毛蕊花糖苷是真空烘箱干燥样品的特征。冷冻干燥样品的总酚和总黄酮含量最高，其次是阴干和真空烘箱干燥样品。通过DPPH、氧自由基吸收能力和铁金属螯合试验测定，冷冻干燥和阴干样品的抗氧化活性远高于真空烘箱干燥样品。根据抗癌活性测试，针对结肠癌、乳腺癌、肝癌和肺癌细胞系，干燥方法的活性排序为阴干 > 冷冻干燥 > 真空烘箱干燥。在已鉴定的化合物中，如偏最小二乘回归和相关分析所揭示，黄酮类化合物和omega-3脂肪酸是负责抗癌活性的关键代谢物。总之，与冷冻干燥相比，阴干是一种经济有效的干燥方法，且不会损害芸苔属绿叶的植物化学成分和生物活性。当前研究结果为涉及芸苔属绿叶价值化的进一步研究奠定了基础。
-
茯砖茶真菌发酵：基于化学计量学、可见近红外光谱与电子鼻技术的感官特性综合评价
查看原文
2024
Food Research International
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 文本/知识库/法规数据 多模态/融合数据食品标签
茶/茶饮料 加工与新加工技术 保藏与贮藏 品质、结构与理化性质 质构与流变测试 光谱/色谱/质谱等分析方法茯砖茶（FBT）的真菌发酵是形成其独特深色、香气和滋味的关键因素。因此，开发一种快速可靠的方法来评估茯砖茶在发酵过程中的品质至关重要。本研究重点结合电子鼻（e-nose）和光谱技术与感官评价、理化测定，构建了茯砖茶的机器学习（ML）模型。结果表明，融合数据在对茯砖茶发酵过程进行分类时达到了100%的准确率。SPA-MLR方法是预测茯砖茶品质的最佳模型（R2 = 0.95, RMSEP = 0.07, RPD = 4.23），并且发酵过程实现了可视化。该方法能有效检测出发酵程度与品质特征之间的关系。总之，本研究的创新之处在于建立了一种基于光谱、电子鼻和机器学习技术集成的实时方法，能够灵敏地检测茯砖茶后发酵特有的品质组分。
-
近红外光谱定量高湿挤压大豆浓缩蛋白过程中的整体热加工强度
查看原文
2024
Food Research International
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 红外/拉曼光谱数据食品标签
谷物/块根/豆与坚果类 加工与新加工技术 品质、结构与理化性质 光谱/色谱/质谱等分析方法高湿挤压（HME）被广泛用于生产类肉产品。在此过程中，植物基原料会经历热和机械应力。由于这些效应相互关联，因此很难分离它们对最终产品的影响。本研究假设热处理的强度可以解释挤压过程中发生的大部分物理化学变化。为此，采用近红外（NIR）光谱作为一种新方法来定量HME过程中的热加工强度。在受控加工条件下，利用高温剪切池（HTSC）处理建立了加工温度的偏最小二乘（PLS）回归曲线（交叉验证均方根误差（RMSECV）= 4.00 °C，交叉验证决定系数（RCV2）= 0.97）。随后，将该PLS回归模型应用于在不同螺杆转速（200–1200 rpm）、机筒温度（100–160 °C）以及两种不同螺杆构型下生产的HME挤出物，以计算等效剪切池温度作为热加工强度的度量。该等效剪切池温度反映了局部温度条件、停留时间和热应力变化的影响。此外，它还可以与挤出物的质构化程度相关联。这些信息可用于深入了解HME过程中各种工艺参数对热加工强度和挤出物质量的影响。
-
利用机器学习预测环境条件与海水及牡蛎中弧菌浓度的关系
查看原文
2024
Food Research International
中科院一区JCR一区
计算机标签
深度学习 支持向量机 随机森林 K-近邻 梯度提升决策树 模型可解释性 定量预测/回归分析 来源食品标签
液态乳 食品安全与风险评估 质量管理与追溯系统副溶血弧菌和创伤弧菌是对公众健康有重大影响的细菌。识别影响它们在食品源中存在和浓度的因素，有助于确定重要的风险因素并预防食源性疾病的发生。近年来，机器学习在基于主要外部和内部变量（如环境变量和基因存在/缺失）模拟微生物存在方面显示出潜力，特别是在大量和多样化数据来源产生和可用的背景下。此类分析可用于预测食品系统中微生物的行为，尤其是在环境变量持续变化的影响下。在本研究中，我们测试了六种机器学习回归模型（随机森林、支持向量机、弹性网络、神经网络、K最近邻和极端梯度提升）在预测环境变量与海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌、总创伤弧菌和致病性创伤弧菌浓度之间关系方面的有效性。总体而言，使用我们的机器学习模型分析时，环境变量被证明是海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌和创伤弧菌浓度的可靠预测因子（对于海水中的总副溶血弧菌、致病性副溶血弧菌以及牡蛎中的致病性副溶血弧菌，其可接受预测区>70%）。用于识别影响弧菌浓度变量的SHapley Additive exPlanations方法，确定了叶绿素a含量、海水盐度、海水温度和浊度为有影响力的变量。需要指出的是，不同菌株受同一环境变量的影响不同，这表明需要进一步研究这些变异的原因和潜在机制。总之，环境变量可能是海鲜中弧菌生长和行为的重要预测因子。此外，本研究开发的模型对于评估和管理与副溶血弧菌和创伤弧菌相关的风险，尤其是在环境变化的背景下，可能具有不可估量的价值。
