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 364 条结果
-
利用高光谱成像和数据融合策略对橄榄比目鱼鱼片的新鲜度评估
查看原文
2025
LWT
中科院一区JCR一区
Jong-Jin Park, Hoon Kim, Jeong-Seok Cho, Seul-Ki Park, Gyuseok Lee, Kee-Jai Park, & Jeong-Ho Lim
计算机标签
支持向量机 分类/鉴别/等级评定 多模态/融合数据 高光谱/多光谱光谱食品标签
鱼肉 货架期预测与品质劣变动力学 常规理化指标测定 光谱/色谱/质谱等分析方法我们旨在评估在改良气氛包装下、分别存储于5、10、15和20°C的橄榄比目鱼（Paralichthys olivaceus）鱼片的新鲜度。我们测量了微生物计数、游离碱总量、颜色和游离氨基酸，并根据质量参数将样品分为三类新鲜度（新鲜、可接受和变质）。在可见光和近红外（VNIR）以及短波红外（SWIR）范围内获取高光谱图像，并应用支持向量机模型进行无损的新鲜度分类。由单一光谱开发的模型取得了86.2%（VNIR）和75.9%（SWIR）的准确率。为了提高预测性能，通过低级融合（LLF）和结合凝聚聚类（AC）的中级融合（MLF）将两种光谱范围进行了融合。结合低层特征（LLF）和多层特征（MLF）的分类模型优于单光谱模型。值得注意的是，MLF2在LLF数据集上应用自适应校正（AC）后，实现了94.8%的准确率，同时仅使用了整体波长范围的28%。这些结果表明，适当融合互补的光谱信息可以为评估鱼类产品的新鲜度提供一种高效且可靠的方法。
-
利用二维拉曼相关光谱和机器学习快速微量检测蔬菜中的氯虫苯甲酰胺
查看原文
2025
LWT
中科院一区JCR一区
J.M. Thuku, M.I. Kaniu, C.N. Ndung', L.W. Kiruri, & K.A. Kaduki
计算机标签
支持向量机 随机森林 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
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分蔬菜中农药残留及其有毒代谢物在食品安全方面带来长期挑战，尤其是在接近最大残留限量（MRLs）的痕量水平。拉曼光谱提供分子特异的振动特征用于农药检测，但植物基质常常掩盖微弱信号。二维相关光谱（2DCOS）能够分离农药特异性特征，而监督机器学习则可实现可靠分类。在此，我们提出一种快速、非破坏性的方法，将拉曼光谱、2DCOS 与机器学习相结合，用于检测氯吡虫啉及其潜在主要代谢物3,5,6-三氯-2-吡啶酚（TCP）。羽衣甘蓝和菠菜在低于、等于及高于0.01 ppm MRL的范围内被添加不同浓度。使用2DCOS分析来识别浓度依赖的标志性波段。对应于氯吡虫酯 C-Cl 伸缩振动的 320-360 cm⁻¹ 1 波段显示出最高的特异性。三氯苯磷（TCP）的密度泛函理论（B3LYP/6-31G(d)）模拟表明，这一振动模式在代谢物光谱中也存在，提示可能共享 Raman 标记。基于 2DCOS 衍生波段训练的随机森林（RF）和支持向量机（SVM）分类器的准确率达到 97%，其中 RF 的召回率超过 99%。外部验证证实了 RF 的稳健性，正确预测了所有验证样本。这种实验、计算与预测相结合的方法表明，在痕量水平下同时检测母体农药和其代谢物具有潜力，凸显了其开发为适用于新鲜农产品的便携式实时筛查方法的前景。
-
基于花青素染料的比色传感器阵列结合模式识别算法对韭菜中农药残留的多任务检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jingwen Zhu, Fangzhen Meng, Jihong Deng, Chunyu Zhang, Hengke Zheng, Huazhi Wang & Hui Jiang
计算机标签
支持向量机 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分快速且可靠地检测韭菜中的农药残留，对于保障食品安全和农业可持续发展至关重要。本研究以9种环保型花青素为染料、硅胶板为载体，开发了一种新型比色传感器阵列（CSA）。通过顶空固相微萃取结合气相色谱-质谱联用技术，证实了本研究中CSA的颜色变化与样品中挥发性有机化合物的酸碱度有关。将该CSA与模式识别模型相结合，实现了对韭菜中农药种类、浓度及含量的检测：卷积神经网络分类器对农药种类的分类准确率达100%，对浓度的分类准确率达75%-100%；支持向量回归模型的均方根误差为1.02-2.68 mg/kg，相关系数为0.93-0.95。该方法在常规、快速的食品安全检测中具有巨大潜力。
-
近红外光谱学借助随机森林预测牦牛奶粉的物理化学指标
查看原文
2025
Food Chemistry
中科院一区JCR一区
Haiyang Peng, Lunzhao Yi, Xuejing Fan, Jiangwen Zhang, Ying Gu & Shaoyang Li
计算机标签
偏最小二乘法 支持向量机 随机森林 定量预测/回归分析 红外/拉曼光谱数据食品标签
乳粉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素（宏量） 蛋白质与氨基酸 脂质与脂肪酸高效且经济高效的物理化学指标检测对于牦牛奶粉的质量控制至关重要。本研究开发了一种基于微型近红外（NIR）光谱和化学计量的快速同步检测方法，针对牦牛奶粉的四种物理化学指标（蛋白质、脂肪、含水量及酸度）。通过比较偏最小二乘法与支持向量回归（PLS-SVR）、脊回归（RR）和随机森林（RF），确定出最优预测模型。结果显示，射频和近红外光谱的结合在预测这四个指标方面表现出色，蛋白质、脂肪和水分含量相关系数分别为0.9846、0.9642和0.9915，酸度相关系数为0.9819。该方法能够快速且准确地预测牦牛奶粉的质量，为生产质量控制提供了可靠的工具。未来工作应探讨其可扩展性和与实时监测系统的集成。
-
基于改进的ICEEMDAN算法结合TCN-BiGRU模型，快速检测玉米水分含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jiao Yang, Haiou Guan, Xiaodan Ma, Yifei Zhang& Yuxin Lu
计算机标签
支持向量机 卷积神经网络 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
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法玉米成熟期水分含量的快速检测，对田间种植、机械化收获、仓储及运输管理均具有重要意义。传统烘干法与介电参数法存在操作繁琐、耗时费力的瓶颈问题。为解决上述问题，本文提出一种基于改进自适应噪声完备集合经验模态分解（ICEEMDAN）结合时间卷积网络-双向门控循环单元（TCN-BiGRU）的玉米水分含量快速检测方法。首先，基于405组玉米种子近红外光谱数据，采用冠豪豪猪优化算法（CPO）对ICEEMDAN进行参数优化，实现原始光谱数据降噪处理；再通过混沌布谷鸟搜索算法（CCS）从原始光谱中筛选出203个特征波数，将其输入构建的TCN-BiGRU网络模型，完成玉米水分含量检测；最终建立CPO-ICEEMDAN-CCS-TCN-BiGRU玉米水分含量分类检测模型。试验结果表明，该模型检测精度达97.54%，相较于卷积神经网络（CNN）、长短期记忆网络（LSTM）、时间卷积网络（TCN）、偏最小二乘法（PLS）、支持向量机（SVM）模型，精度分别提升9.22%、5.58%、2.34%、4.74%、5.94%。本研究成果可为提升玉米产量、品质及经济效益提供可靠的技术依据。
