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
-
高分辨蛋白质组学与机器学习鉴定西西里黑蜂蜜的蛋白质分类标志物
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
马铃薯 质量管理与追溯系统 光谱/色谱/质谱等分析方法 膳食纤维与抗性淀粉 维生素西西里黑蜂（Apis mellifera ssp. sicula）是一种慢食保护品种，其生产的蜂蜜具有卓越的营养特性，包括高抗氧化能力。本研究采用高分辨率蛋白质组学技术对西西里黑蜂所产蜂蜜进行分析，旨在鉴定能够将其与更常见的意大利蜜蜂（Apis mellifera ssp. ligustica）所产蜂蜜区分开的蛋白质分类标志物。我们在同一地理区域饲养了遗传纯正的西西里黑蜂和意大利蜜蜂，并对它们的蜂蜜蛋白质组进行了分析，以确保蜂蜜中的化学差异仅反映两个亚种的遗传背景，而非植物来源环境的影响。通过使用常用于临床蛋白质组学生物标志物发现的“矩形策略”蛋白质组学方法，我们在不同来源的西西里黑蜂蜂蜜和意大利蜂蜂蜜中验证了差异丰度蛋白质。随后，利用机器学习技术确定了哪些蛋白质在区分这两种蜂蜜时最为有效。该策略成功鉴定出两种蛋白质——漆酶-5和毒液丝氨酸蛋白酶34异构体X2，它们能够完全有效地预测蜂蜜是由西西里黑蜂还是意大利蜜蜂所生产。总之，本研究描绘了西西里黑蜂蜂蜜的蛋白质组图谱，鉴定出了两种相对于意大利蜂蜂蜜的西西里黑蜂蜂蜜蛋白质分类标志物，并证明了矩形策略可用于发现生物标志物以确定食品的真实性。
-
基于指示剂置换比色传感器阵列结合机器学习的六安瓜片茶采摘时期智能识别
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 偏最小二乘法 随机森林 K-近邻 主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
茶/茶饮料 品质、结构与理化性质 质量管理与追溯系统 质构与流变测试 显微与成像技术 维生素 多酚与黄酮六安瓜片茶是中国名优绿茶，其品质与采摘时期密切相关，尤其是清明节前采摘的茶叶备受推崇。然而，快速准确区分不同采摘时期的茶叶具有挑战性。本研究开发了一种简单、低成本的指示剂置换比色传感器阵列结合智能手机成像的方法，用于快速识别不同采摘时期的六安瓜片茶。首先，通过高效液相色谱-二极管阵列检测器分析了清明节前后茶叶中多酚和氨基酸含量的差异。基于这些成分差异，合理设计了一个12通道的比色传感器阵列。通过智能手机捕获阵列响应，并使用多种机器学习模型（包括PLS-DA、PCA-LDA、K-NN、RF、1D-CNN和BP-ANN）处理产生的颜色差异数据。性能最佳的模型在二分类（清明节前 vs. 后）中预测准确率高达97%，在基于精确采摘日期的更详细的五分类中达到86.7%。该方法展现出高准确性、环境友好性（AGREE评分：0.88）和实用性，为茶叶行业快速质量评估与真伪鉴别提供了有前景的工具。
-
通过胃蛋白酶水解升级利用牛犊血屠宰副产品：基于回归机器学习方法鉴定三种新型抗真菌肽
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 定量预测/回归分析 组学数据食品标签
畜肉 加工与新加工技术 营养与生物功能 循环经济与绿色供应链 蛋白质与氨基酸牛犊血（C-cru）是抗菌肽的一个尚未充分研究的来源，可在循环经济框架下用于肉制品的生物保藏。本研究评估了pH值和胃蛋白酶水解时间对C-cru的酶解机制、肽群和抗菌活性（抗菌、抗真菌和抗酵母）的影响。结果表明，C-cru的胃蛋白酶水解具有与成年牛血红蛋白相似的酶解机制，在pH 2和3时促进“拉链机制”的发展，而在pH 4和5时则促进“逐一机制”。抗菌活性结果表明，在pH 2和3下水解180分钟能产生较高的抗菌活性，而在pH 3下水解30分钟则有利于抗真菌和抗酵母活性。此外，首次将监督机器学习工具应用于肽组学数据，从而阐明了α(47–80)、β(130–145)和β(102–109)作为新型抗真菌肽序列。
-
风味工程：生物基础、人工智能整合、工业发展与社会文化动态的综合综述
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 来源食品标签
加工与新加工技术 保藏与贮藏 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质这篇前沿综述全面探讨了风味开发，涵盖了生物学基础、分析方法和其社会文化影响。它整合了工业视角并审视了人工智能（AI）在风味科学中的作用。综述从风味的生物复杂性入手，深入探讨了植根于感官体验的味觉、香气和质地的相互作用。数学建模和分析技术的进步为跨学科合作和技术创新开辟了途径，应对了风味感知的个体和文化差异。风味的影响超越了味觉体验，波及经济、社会、营养、健康和技术创新。这种综合理解加深了对文化景观中嗅觉与风味元素间动态相互作用的认识，强调了感官体验如何交织在人类文化和遗产之中。食品风味分析的发展，涵盖了感官分析、仪器分析、两者结合以及人工智能技术的整合，标志着该领域的动态进展，预示着风味产业在精度、效率和创新方面的前景广阔。本综述通过元数据分析方法，收集了风味工程及相关领域的文章和书籍章节，分析数据提取自Scopus、Web of Science和ScienceDirect等主要在线数据库。
-
ProTformer：基于Transformer的模型结合近红外反射光谱技术用于扁豆蛋白质含量的卓越预测
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 偏最小二乘法 卷积神经网络 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 品质、结构与理化性质 营养与生物功能 光谱/色谱/质谱等分析方法 蛋白质与氨基酸扁豆（Lablab purpureus L.）因其较高的蛋白质含量而闻名，为减少对动物蛋白的依赖和支持可持续农业提供了有前景的替代方案。如今，整合了近红外反射光谱（NIRS）的卷积神经网络（CNNs）在营养分析方面已超越传统方法。然而，一种称为Transformer的先进技术，尽管潜力巨大，但在预测作物关键品质性状方面仍未得到充分探索。因此，在本研究中，我们旨在利用基于Transformer的模型（命名为ProTformer）结合NIRS来预测扁豆的蛋白质含量。采用杜马斯燃烧法测定了112个扁豆基因型的蛋白质含量。将该模型的性能与一维CNN和基于改进偏最小二乘法（MPLS）的模型进行了比较。这些模型使用决定系数（RSQ）、残差预测偏差（RPD）、偏差和校正预测标准误差（SEP(CI)）进行评估。我们的研究结果表明，基于Transformer的模型达到了最高的预测准确度（RSQ = 0.977, RPD = 13.92），其RPD值分别比一维CNN（RSQ = 0.956, RPD = 11.33）和MPLS（RSQ = 0.943, RPD = 10.53）模型高出22.86%和32.21%。Transformer模型中存在的多头自注意力机制使其能够同时关注不同的光谱区域，从而产生卓越的预测性能。这项研究表明了将Transformer模型与NIRS结合用于营养分析的潜力，可有效扩展到其他作物，用于快速筛选全球种质库中的大量种质资源。
