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 276 条结果
-
基于随机蛙连续选择残差可见-近红外光谱的集成模型预测杨梅可溶性固形物含量
查看原文
2025
Food Control
中科院一区JCR一区
Leiming Yuan, Yimin Liu, Feng Gao, Qiaojun Jiang, Hao Ji, Xiaojing Chen, Xi Chen & Furong Zhu
计算机标签
随机森林 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
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类本研究提出了一种稳健的方法，利用便携式可见-近红外（vis-NIR）分析仪结合自适应增强（AdaBoost）集成学习框架，无损预测中国杨梅的可溶性固形物含量（SSC）。杨梅的交互光谱经z-score归一化预处理后，采用随机蛙（RF）算法从前一轮残差光谱中筛选关键变量构建偏最小二乘（PLS）模型。通过整合多个顶级RF-PLS子模型构建AdaBoost集成模型，并与其他集成策略比较。结果表明，连续RF选择后的残差光谱仍保留有效信息，第五轮RF-PLS模型的预测均方根误差（RMSEP）>0.77，仅略低于全光谱PLS模型。整合前三名子模型的AdaBoost模型性能最优，RMSEP为0.713，较全光谱PLS模型降低7.2%，优于偏差平均法和Lasso集成策略。该框架通过残差光谱连续构建RF-PLS子模型，最大化利用光谱信息，显著提升了便携式NIR分析仪对杨梅SSC的预测精度。
-
结合GC-TOF/MS和GC-IMS数据分析的机器学习鉴别基酒质量等级：浓香型白酒案例研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
Changlin Zhou, Yashu Yu, Yiwen Zhu, Jiangfei Chai, Ruoyan Liu, Zhiyong Cui, Dong Li, Xiaoxiao Feng & Yuan Liu
计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据食品标签
酒精饮料 光谱/色谱/质谱等分析方法 其他特殊成分基酒的风味对白酒的等级质量至关重要。本研究聚焦于五个不同浓香型白酒品牌的基酒等级。顶空固相微萃取气相色谱飞行时间质谱法（HS-SPME-GC-TOF/MS）和顶空气相色谱离子迁移谱法（HS-GC-IMS）分别鉴定出313种和188种化合物。有12种化合物与质量等级相关（|ρ| > 0.5），包括2-甲基丁酸乙酯、异戊酸乙酯、丙酸乙酯。研究还识别出了与质量等级显著相关的独特化合物。将融合数据集与八种有监督机器学习相结合后，随机森林（RF）和逻辑回归（LR）表现优异，准确率分别达到0.913和0.8696，F1分数分别为0.9167和0.8681，且在受试者工作特征（ROC）曲线和混淆矩阵中均呈现出良好的验证结果。本研究表明，将香气特征与机器学习相结合能够实现对浓香型白酒的准确、客观分级，为行业的质量控制提供了一个强有力的工具。
-
机器学习用于从各种食品来源中精确识别王浆及其稳定的同位素和物理化学特性
查看原文
2025
Food Frontiers
中科院一区JCR一区
Zhaolong Liu, Xinlei Yu, Xin Yin, Dong Qiao, Hongxia Li, Lanzhen Chen
计算机标签
深度学习 随机森林 分类/鉴别/等级评定 组学数据食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 矿物质与微量元素蜂王浆（RJ）因其具有生物活性的化合物和有益效果而备受推崇。然而，由于其成分存在显著的差异性，且这种差异性受到蜜蜂所食用食物种类的多样性影响，因此蜂王浆的可追溯性和真实性受到了极大的挑战。本研究考察了三种食物来源——天然食物、糖水以及花粉替代品——对在不同花期生产出的蜂王浆中稳定碳（δ13C）和氮（δ15N）同位素分馏的影响。研究结果表明，来自天然蜂蜜和蜂巢粉的蜂王浆δ13C值较低，而来自糖水喂养的蜂王浆δ13C值较高。此外，不同蜂巢粉来源的δ13C值存在显著差异。蜂巢粉中的δ15N值与蜂王浆之间存在正相关关系（r = 0.89），而花粉替代品中的δ15N值与蜂王浆之间的关系则为负相关（r = -0.89）。应用机器学习（ML）模型（包括人工神经网络（ANNs）和随机森林（RFs）），通过利用计算出的分馏因子，基于食物来源和花期对红蜂（RJ）进行了 100% 的分类识别。这些发现表明，δ13C 和 δ15N 是鉴定红蜂真伪的可靠标志物，并强调了将同位素数据与食物来源条件相结合以实现精确识别的重要性。人工神经网络和随机森林模型的成功证明了将同位素分馏与机器学习相结合在实现高精度可追溯性方面的潜力，为蜂业的食品追溯和可持续发展提供了一个框架。
-
酚类谱作为橄榄品种识别、追溯和质量控制的强效机器学习工具
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Fabiola Eugelio, Marcello Mascini, Elettra Marone, Federico Fanti, Sara Palmieri, Manuel Sergi, Michele Del Carlo, & Dario Compagnone
计算机标签
支持向量机 随机森林 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定食品标签
新鲜水果 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究考察来自四个欧洲油橄榄品种（Arbequina、Arbosana、Frantene 和 Koroneiki）的橄榄酚类和脂肪酸谱，这些品种广泛种植于地中海地区，并在意大利不同成熟阶段采集。研究旨在评估橄榄化学谱作为品种分类标志物的潜力，并采用线性判别分析、k 近邻、朴素贝叶斯、随机森林和支持向量机等机器学习算法。结果显示，在所有模型中，酚类谱的分类准确率显著高于脂肪酸谱。基于酚类数据时，随机森林和支持向量机准确率达到 98%；而基于脂肪酸数据时，表现最好的朴素贝叶斯模型准确率仅为 65%。值得注意的是，绿原酸、阿魏酸和芹菜素等少量酚类化合物对分类具有关键作用。研究表明，机器学习结合酚类谱可提升橄榄产业中的品种识别、可追溯性和质量控制能力。
-
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。
