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
-
基于可见-近红外高光谱成像与机器学习鉴定中国藏红花的产地、年份与等级
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
支持向量机 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
其他果蔬制品/植物类 香精香料 品质、结构与理化性质 质量管理与追溯系统 显微与成像技术 光谱/色谱/质谱等分析方法藏红花（Crocus sativus L.）的干燥柱头是一种极其珍贵的香料和药材，其经济价值受地理来源、年份和等级的影响。本研究提出了一种基于可见-近红外高光谱成像（VNIR-HSI）、机器学习及数据融合策略的方法，用于鉴定不同中国产地、年份和等级的中国藏红花。首先，根据ISO3632-1/2标准对藏红花样品进行分级，发现年份对等级的影响大于地理来源。通过比较不同预处理方法下不同分类算法的效果，结果表明MSC-CARS-SVM是确定藏红花产地的有效光谱分类算法，而FD-CARS-SVM是确定藏红花年份和等级的有效光谱分类算法。最后，在中层融合图像和光谱特征以建立产地、年份和等级的分类模型，结果显示融合后的产地和年份模型比初始光谱信息更有效，预测准确率分别达到98.3%和97.9%。然而，光谱FD-CARS-SVM模型在等级鉴定中表现出最佳判别力，预测准确率为89.6%。本研究为表征藏红花质量，服务于产业和消费者，提供了理论基础和技术支持。
-
基于高光谱成像和自动化可解释机器学习监测羊肉脂质与蛋白质氧化损伤
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
机器学习/统计学习 深度学习 模型可解释性 超参优化/自动机器学习 定量预测/回归分析 高光谱/多光谱光谱食品标签
畜肉 品质、结构与理化性质 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法目前，利用高光谱成像（HSI）结合机器学习（ML）检测脂质和蛋白质氧化的方法需要数据科学家和领域专家的参与来调整模型架构和优化超参数。此外，预测模型在预测结果和决策过程方面缺乏可解释性。本研究针对经过不同冻融循环处理的羊肉样本的可见-近红外高光谱图像，开发了ML、自动化机器学习（AutoML）和自动化深度学习（AutoDL）模型，以评估在无需人工干预的情况下构建脂质和蛋白质氧化预测模型的可行性。研究使用SHapley Additive exPlanations（SHAP）方法来解释预测模型。结果表明，AutoDL获得了脂质氧化（R2p = 0.9021，RMSEP = 0.0542 mg/kg，RPD = 3.3624）和蛋白质氧化（R2p = 0.8805，RMSEP = 3.8065 nmol/mg，RPD = 3.0789）的有效预测模型。AutoML驱动的堆叠集成模型进一步提高了模型的泛化能力，预测脂质和蛋白质氧化的R2p分别达到0.9237和0.9347。通过SHAP确定的重要波长与光谱分析结果高度一致，并且该分析还确定了这些重要波长对模型输出影响的大小和方向。最后，对羊肉在不同冻融循环中脂质和蛋白质氧化的变化进行了可视化。研究表明，HSI、AutoML和SHAP的结合可以在无需人工协助的情况下，生成高质量的可解释模型，用于监测羊肉的脂质和蛋白质氧化损伤。
-
基于近红外光谱结合多尺度特征融合与注意力机制的绿茶杀青过程水分含量稳健深度学习预测模型
查看原文
2025
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 支持向量机 特征工程与选择策略 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据食品标签
茶/茶饮料 加工与新加工技术 品质、结构与理化性质 光谱/色谱/质谱等分析方法杀青是绿茶加工中的关键步骤，杀青后茶叶的水分含量是杀青质量的关键指标。基于近红外光谱（NIRS）的水分检测技术常用于茶叶加工行业。然而，加工过程中的温度波动会导致NIRS曲线发生变化，进而影响基于光谱数据的水分预测模型的准确性。为应对这一挑战，本研究从杀青不同阶段、不同温度下的样本中收集了NIRS数据，并提出了一种新型深度学习网络（DISENet），该网络集成了多尺度特征融合和注意力机制。采用全局建模方法，所提方法实现了水分含量预测的决定系数（Rp2）为0.781，均方根误差（RMSEp）为1.720%，残差预测偏差（RPD）为2.148。在本研究构建的数据集上，DISENet表现出比光谱校正方法（如外部参数正交化（EPO）和广义最小二乘加权（GLSW））以及传统全局建模方法（如偏最小二乘回归（PLSR）和支持向量回归（SVR））更优越的预测精度。该方法有效校正了温度变化引起的光谱干扰，从而提高了水分含量预测的准确性。因此，它为茶叶加工过程中的实时、无损水分检测提供了可靠的解决方案。
-
基于机器学习的典型中国绿茶味道分类与预测研究
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
随机森林 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 多模态/融合数据食品标签
茶/茶饮料 保藏与贮藏 品质、结构与理化性质 光谱/色谱/质谱等分析方法中国绿茶的味道非常多样化。本研究结合无监督和有监督学习方法，构建了用于分类和预测典型中国绿茶味道的模型。基于定量描述分析（QDA）结果评估了三种聚类方法，并选择分层K均值方法将88种茶汤分为七种不同的味道类型。应用电子舌传感器、近红外光谱和代谢组学，结合关键化学成分分析，构建了多个数据集作为模型数据。比较了四种多元统计方法和六种人工智能算法在三个数据集上的性能。数据集3（包含化学成分、味道活性值（Tav）及其比值）获得了最高的准确度。随机森林（RF）模型在预测中取得了最高的准确度（0.98）和Kappa值（0.97）。结果表明，关键的化学成分、Tav及其相互关系对绿茶味道分类更为重要。本研究能从消费者角度更准确地表征和预测典型中国茶的味道特征。在不同味道类别之间观察到感官属性和化学组成的显著差异，其中MU类型显示出最低的TavTC（儿茶素总Tav）/ TavTAA（氨基酸总Tav）比值，表明其鲜味和甜味特征最强。本研究结果为开发个性化茶产品提供了潜力，从而有助于提升消费者体验。
-
基于TG-FTIR和机器学习的不同纬度绿茶质量差异与产地追溯研究
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
随机森林 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 红外/拉曼光谱数据食品标签
茶/茶饮料 品质、结构与理化性质 质量管理与追溯系统 统计建模与仿真 光谱/色谱/质谱等分析方法纬度差异可显著影响茶叶品质，但该领域的深入研究尚显不足。本研究采用热重分析联用红外光谱技术及机器学习方法，对中国不同纬度产区的绿茶进行了研究。首先通过工业分析与元素分析表征了茶叶的理化性质。随后，在TG-FTIR分析仪中以三种升温速率（β: 10, 20, 30 °C min−1）进行热解实验，并采用免模型的Kissinger、Ozawa和Starink方法根据热重数据计算了动力学与热力学参数。对不同纬度茶叶样品的活化能（Ea）值进行了主成分分析（PCA）以进行聚类分析。最后，利用机器学习算法建立了热解动力学参数的线性和非线性预测模型。结果表明，与低纬度茶叶相比，高纬度茶叶在活跃热解区的质量损失百分比较低，且燃烧效率更高。在不同转化率（α）下，高纬度茶叶的平均Ea值均高于低纬度茶叶。基于Ea值的PCA聚类能有效区分不同纬度的茶叶样品。在热解动力学参数的预测模型中，基于SNV预处理的随机森林（RF）模型获得了最高的预测精度，可在不依赖传统公式计算的情况下准确预测热解动力学参数。总之，本研究全面分析了中国不同纬度茶叶样品热解过程的差异，为茶叶产地追溯技术提供了新见解。
