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 108 条结果
-
可解释人工智能与移动成像技术用于牛油果成熟度和内部品质的无损评估，以减少食物浪费
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
In-Hwan Lee, Zhengao Li & Luyao Ma
计算机标签
支持向量机 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 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 大规模数据集食品标签
新鲜水果 质构与流变性质 质构与流变测试 显微与成像技术食物浪费是一项全球性挑战，其主要原因是对食品质量和剩余保质期的预测不准确。大约30%的食物浪费发生在零售和家庭层面，而传统的评估方法，如主观的视觉检查或破坏性的仪器分析，效率低下。在本研究中，我们将智能手机成像技术与深度学习相结合，用于无损预测牛油果的硬度和内部质量，旨在为更智能的消费和分配决策提供支持。牛油果因其较高的市场价值和较高的浪费率（约40%），被选为代表性的模型食品。在室温下为期8天的储存期内，使用智能手机收集了1400张牛油果图像的数据集。使用质构仪测量硬度，并将其作为成熟度指标和模型训练的真实值。为了预测成熟度，卷积神经网络残差回归（CNN ResNetR）模型实现了最高的准确率（R²=0.919），优于支持向量机回归（R²=0.818）和随机森林（R²=0.860）模型。根据行业标准，进一步将预测的硬度值映射为剩余保质期推荐。为了评估内部质量，我们开发了最先进的CNN和视觉Transformer模型，对牛油果的新鲜或腐烂状态进行分类，准确率超过84%。使用局部可解释的模型无关解释（LIME）技术获得了模型的可解释性，该技术识别了影响分类的关键图像特征。这种基于深度学习的框架提供了一种快速、可扩展且无损的解决方案，用于评估牛油果的成熟度和内部质量，有望减少食物浪费并改善供应链各环节的决策。
-
基于高光谱成像与多模态深度学习的枸杞产地准确分类
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Bo Li, Rui Xia, Juanli Li, Jing Zhang, Zhixing Zhang, Jun Chen & Yu Chen
计算机标签
支持向量机 K-近邻 梯度提升决策树 主成分分析/判别分析 卷积神经网络 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据食品标签
新鲜水果 显微与成像技术 光谱/色谱/质谱等分析方法枸杞产地的精准鉴别对于评估其营养与药用价值至关重要。本文提出一种融合交叉注意力机制的多模态卷积神经网络（MTCNN），可有效融合光谱特征与图像特征，测试准确率达99.88%。研究同时将主成分分析（PCA）等传统特征提取方法与支持向量机（SVM）、k近邻（KNN）分类器相结合；其中，采用梯度提升决策树（GBDT）提取光谱特征并融合图像数据的SVM模型，最高准确率为96.68%。对比结果表明，多模态深度学习方法性能显著优于传统方法，在农产品可靠溯源、真伪鉴别与质量保障方面具有应用潜力。除更高的识别精度外，本模型通过简化注意力机制降低计算复杂度，并提升模型可解释性，相比现有结构更具优势，使其在实际应用中更为高效易用。
-
计算机标签
图神经网络 模型可解释性 分类/鉴别/等级评定 组学数据 文本/知识库/法规数据食品标签
特征风味 数值仿真 蛋白质与氨基酸理解调控甜味和苦味的分子机制，对于识别天然及合成化合物中理想的味觉特征至关重要。在本研究中，我们开发了基于图神经网络（GNN）的人工智能（AI）模型，用于根据化学结构预测苦味和甜味。图神经网络利用深度学习捕捉图中分子成分之间的关系，提取潜在的分子向量。与依赖预定义分子描述符的传统方法不同，图神经网络直接从分子结构中学习，减少了特征选择偏差。通过增强人工智能驱动预测的可解释性，图神经网络增进了人们对决策过程的理解。为了构建基于图神经网络的预测模型，我们收集了被分类为苦味或甜味的化合物数据集。我们的模型所达到的预测准确率与依赖分子描述符的传统机器学习和深度学习模型相当，甚至更高。为了增强模型的可解释性，我们采用了集成梯度法来可视化影响苦味或甜味预测的分子特征。这些可视化结果通过配体与味觉受体的分子对接模拟得到了进一步验证，模拟过程使用了AlphaFold蛋白质结构数据库。苦味评估使用的是TAS2R16，甜味评估使用的是TAS1R2。然后，我们将化学可视化结果与构象数据进行了比较，结果显示其与以往的实验和计算分析高度一致。这些发现验证了我们的人工智能模型的准确性和可视化结果，凸显了基于图神经网络的模型在味觉预测方面的潜力。这种方法为理解味觉感知背后的分子机制提供了一个新颖的框架。有必要进行更深入的研究，以更深入地探索这些机制，并将这种方法扩展到预测其他味觉模式。
-
利用便携式近红外光谱结合可解释人工智能对新鲜、陈化及冷冻-解冻牛肉进行无损鉴别
查看原文
2025
LWT
中科院一区JCR一区
Md Abul Hashem, Asif Ahmmed, & Md Mahadi Hasan
计算机标签
主成分分析/判别分析 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 大规模数据集食品标签
畜肉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法涉及将解冻牛肉误标为新鲜牛肉的食品欺诈威胁着供应链的完整性。虽然便携式可见短波近红外（Vis-SWNIR）光谱（700 - 1100 nm）可以提供快速、无损的筛查，但许多机器学习模型的"黑箱"特性阻碍了其在监管中的接受。本研究开发了一个结合可解释人工智能（XAI）的Vis-SWNIR框架，用于区分新鲜肌肉、24小时陈化和冷冻解冻牛肉。对6000条光谱数据进行22种分类器的系统性基准测试后，结果显示线性判别分析（LDA）在区分陈化牛肉与冷冻解冻牛肉方面表现最佳，准确率达到86.5%（95%置信区间：[85.23, 87.77]），且其稳定性优于复杂模型。结合二维相关光谱（2D-COS）的可解释人工智能方法（SHAP, LIME）识别了机制上连贯的生物标志物：肌红蛋白氧化还原状态（约759 nm）、水-蛋白相互作用（约806 nm）和水合特征（约970 - 1060 nm）。2D-COS显示，肌红蛋白氧化和水重新分布在老化过程中是按顺序发生的，而在冻结过程中是同时发生的。事后功效分析确认了统计的充分性，老化与冻结样品显示平均效应量d = 0.292 ± 0.747，检验功效为99.4%，而单变量最大值达到d = ± 3.51。本工作建立了一个透明、统计上强有力且机制上经过验证的框架，为实时牛肉鉴定提供了可部署、符合监管要求的解决方案。
-
食品科学与营养研究中机器学习与组学方法整合的最新进展
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Xiang Xiao, Lin Fu, Zhihong Zhang, Zhengyang Tu, Ning Shen, & Songtao Fan
计算机标签
深度学习 模型可解释性 定量预测/回归分析 组学数据食品标签
复合/即食/餐饮食品 食品安全与风险评估 品质、结构与理化性质 基因组学 转录组学 蛋白质与氨基酸组学技术正在革新食品与营养研究，可实现食品成分和微生物的高通量分析，并揭示食品与人体健康之间的复杂关系。机器学习方法特别适用于大数据集中的分类、聚类、降维和模式检测。多组学数据整合推动了机器学习在食品加工、安全和营养预测模型开发中的应用。本文综述了基因组学、转录组学、蛋白质组学、代谢组学和多组学在食品与营养研究中的应用，并讨论经典机器学习、深度学习和人工神经网络等多种机器学习技术。机器学习与组学整合的主要优势在于能够分析复杂数据集，从而支持食品组成解析、质量评价和营养干预。然而，数据质量、模型可靠性和可解释性仍是主要挑战。该综述更新了机器学习-组学整合的当前进展，并概述了食品组学和营养组学的未来方向。
