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
-
近红外与拉曼光谱数据融合：一种用于无损预测鲑鱼总挥发性盐基氮含量的创新工具
查看原文
2024
Food Research International
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 红外/拉曼光谱数据 多模态/融合数据食品标签
液态乳 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法总挥发性盐基氮是评价鲑鱼新鲜度的重要指标。本研究旨在利用近红外光谱与拉曼光谱，对在多种温度条件下储存的鲑鱼鱼片的总挥发性盐基氮含量进行准确、无损的预测。通过采用低层数据融合和中层数据融合策略，整合近红外与拉曼光谱数据，建立了偏最小二乘支持向量机回归模型。值得注意的是，与单一光谱分析相比，低层数据融合方法提供了最准确的预测模型，其预测集决定系数为0.910，预测均方根误差为1.922 mg/100 g。此外，基于二维相关光谱和变量重要性投影的中层数据融合模型的预测集决定系数分别达到0.885和0.906。这些发现证明了所提方法在鲑鱼总挥发性盐基氮精确定量检测方面的有效性，为在其他肉制品研究中探索类似方法奠定了技术基础。该方法具有评估和监测海鲜新鲜度的潜力，能确保消费者安全并提升产品质量。
-
使用数字图像处理和机器学习分析红糖中糖分、矿物质和颜色的环保方法
查看原文
2024
Food Research International
中科院一区JCR一区
计算机标签
K-近邻 定量预测/回归分析 可见光/RGB/视频数据食品标签
小麦 品质、结构与理化性质 生产管理与数字化工厂 显微与成像技术 常量营养素（宏量） 矿物质与微量元素红糖是一种通过热加工获得的天然甜味剂，具有有趣的营养特性。然而，其感官特性存在显著差异，直接影响产品质量和消费者选择。因此，开发快速的质量控制方法是可取的。本研究提出了一种快速、环保且准确的方法，用于同时分析红糖中的蔗糖、还原糖、矿物质和ICUMSA色值，采用了一种将智能手机获取的数字图像处理与机器学习相结合的创新策略。从数字图像中提取的数据，以及通过实验测定的理化特性和元素组成数据，被用作应用kNN算法建立预测回归模型的变量。所建立的模型对Ca、ICUMSA色值、Fe和Zn具有最高的预测能力，决定系数（R2）≥ 92.33%。蔗糖（81.16%）、还原糖（85.67%）、Mn（83.36%）和Mg（86.97%）的R2值较低。所有生成的预测模型数据离散度较低（RMSE < 0.235）。AGREE指标评估了绿色度，并确定所提出的方法优于传统方法，因为它避免了使用溶剂和有毒试剂，能耗最低，不产生有毒废物，并且对分析人员更安全。数字图像处理（DIP）与kNN算法的结合提供了一种快速、非侵入式且可持续的分析方法。它简化并改善了红糖的质量控制，能够生产出满足消费者需求和行业标准的甜味剂。
-
基于全基因组与机器学习分析的不同零售鸡肉供应模式中沙门氏菌流行特征研究
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 组学数据食品标签
畜肉 食品安全与风险评估 质量管理与追溯系统 体外模型沙门氏菌是一种引起沙门氏菌病的食源性病原体，零售鸡肉是其重要来源。然而，沙门氏菌在不同零售鸡肉供应模式中的流行情况及其对消费者构成的威胁尚不清楚。本研究利用全基因组测序和机器学习方法，调查了三种零售鸡肉供应模式（活禽、冷冻和冷藏）中沙门氏菌的流行率、血清型分布、抗生素耐药性和基因组特征。2020年至2021年期间，从广州的活禽、冷冻和冷藏供应模式中收集了480份零售鸡肉样本，以及253株沙门氏菌分离株（总分离率=53.1%）。活禽模式中分离株的流行率（67.5%，81/120）在统计学上高于冷冻模式（50.0%，120/240）和冷藏模式（43.3%，52/120）。血清型鉴定显示，不同供应模式中沙门氏菌的血清型分布存在显著差异。S. Enteritis（46.7%）和S. Indiana（14.2%）在冷冻模式中占主导地位；S. Agona（23.5%）和S. Saintyani（13.6%）在活禽中占主导；而S. Enteritis（40.4%）和S. Kentucky（17.3%）在冷藏模式中占主导。抗生素测试显示，冷冻模式分离株的耐药性更强；冷冻模式分离株的多重耐药率高达91.8%，显著高于冷藏模式（86.5%）和活禽模式（74.1%）。对155株主要血清型（S. Enteritidis、S. Kentucky、S. Indiana和S. Agona）进行了全基因组测序。抗生素耐药基因分析表明，冷冻模式沙门氏菌的抗生素耐药基因丰度和变异率（54种，16.1%）显著高于其他模式（活禽：36种，9.4%；冷藏：31种，11.6%）。编码碳青霉烯类耐药性的b/b/g/n/a和b/b/g/n/a基因在冷冻模式分离株的一个由ThAS3-1826组成的复合转座子上被发现。毒力因子和质粒复制子在研究的冷冻模式分离株中含量丰富。此外，单核苷酸多态性系统发育树结果表明，在冷冻供应模式中，S. Enteritidis克隆支系持续污染零售鸡肉，并且与中国农场鸡胚胎、屠宰场鸡胴体以及医院患者中发现的S. Enteritidis菌株同源。值得注意的是，基于泛基因组的机器学习模型显示，冷冻和活禽分离株的特征基因存在差异。narZ基因是冷冻分离株的一个关键特征基因，编码硝酸盐还原酶，与厌氧细菌生长相关。ytgJ基因是活禽模式的关键特征基因，编码与细菌氧化功能相关的氧化还原酶。本研究中活禽模式沙门氏菌的高流行率以及冷冻模式多重耐药沙门氏菌的传播对食品安全和公共健康构成严重风险，强调了改进消毒和冷藏措施以减少沙门氏菌污染和传播的重要性。总之，持续监测不同供应模式中的沙门氏菌以及开发基于全基因组测序的流行病学监测系统是必要的。
-
基于计算机视觉的杨桃成熟度分类的解释与阐释
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 随机森林 卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术杨桃（又称星果）依据质量参数的分类通常由训练有素的人员评估员通过目视检查进行。这是一种成本高昂且主观的方法，可能导致结果的高变异性。作为替代方案，计算机视觉系统与深度学习技术相结合，已成为业界一种强大且创新的工具，用于水果的快速、非侵入式分类。然而，验证深度学习模型（即“黑箱”）的学习能力和可信度以获取洞察可能具有挑战性。为减少这一差距，我们提出了一种集成的可解释人工智能方法，用于杨桃在不同成熟阶段的分类。我们比较了两种残差神经网络和视觉变换器，以识别由随机森林模型增强的图像区域，目的是在特征层面为成熟度分类提供更详细的信息。分析了整个成熟阶段果实颜色和理化数据的变化，并使用梯度加权类激活映射以及基于随机森林重要性的注意力图评估了这些参数对成熟阶段的影响。所提出的方法可视化和描述了导致模型决策的最重要区域，广泛的视觉化跟随模型来自随机森林的重要特征。我们的方法在标准化和快速杨桃分类方面具有广阔前景，ResNet达到91%的准确率，ViT达到95%的准确率，并具备应用于其他水果的潜力。
-
食品代谢组学中的人工智能决策工具：数据融合揭示榛子代谢组内的协同作用并提升质量预测
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 多模态/融合数据食品标签
糖、焙烤与糖果制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 多酚与黄酮 其他植物化学物质本研究通过应用非靶向和靶向代測組分析技術，研究高品質榛子的代謝組以預測工業質量。利用全二維氣相色譜和液相色譜與高分辨質譜聯用技術，對非揮發性（初級和特化代謝物）和揮發性代謝組進行了表徵。應用低水平（LLDF）和中水平（MLDF）數據融合技術以提升分類性能。主成分分析（PCA）和偏最小二乘判別分析（PLS-DA）結果表明，地理來源和採後處理顯著影響特化代謝組，而儲存條件和時間則影響揮發組。研究表明，MLDF方法，特別是監督式中水平數據融合，在預測準確性上優於單一分數分析。關鍵發現包括鑑定出與榛子質量屬性因果相關的代謝物模式，其中醛類、醇類、萜烯和酚類化合物最具信息性。多種分析平臺與數據融合方法的整合顯示出在精煉質量評估和優化食品工業儲存與加工條件方面的前景。
