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
-
利用人工神经网络和激光辅助快速蒸发电离质谱预测咖啡性状
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 模型可解释性 分类/鉴别/等级评定食品标签
咖啡饮料 保藏与贮藏 光谱/色谱/质谱等分析方法 常量营养素（宏量） 脂质与脂肪酸 多酚与黄酮咖啡是全球经济中的重要商品，智能技术对于精确的质量控制和以消费者为导向的产品开发至关重要。感官感知可能是最重要的信息，因为它直接关系到产品的接受度。然而，感官分析不精确，且存在与主观性和完全依赖感官小组相关的大偏差。因此，可能需要开发实用技术来辅助做出准确决策。
结果：本研究提出了一种新方法，应用激光辅助快速蒸发电离质谱联用高分辨质谱对咖啡样品进行指纹图谱分析。预测模型对测试样品感官属性的估计准确率在87%至96%之间。在咖啡属性估计方面，鉴于质谱谱图与模拟属性之间的复杂关系，人工神经网络的性能优于偏最小二乘判别分析。根据评估人工神经网络权重的新方法，初步鉴定的化合物（如糖类、绿原酸和脂肪酸）是对咖啡感官属性影响最大的物质。
意义：所提出的方法可以使用自动化设备以最少的样品前处理分析咖啡样品。由于准确率高达96%，预测模型可用于辅助感官小组进行决策。此外，提出了一种用于评估人工神经网络模型中质荷比重要性的新算法，为该算法的使用铺平了道路，从而实现了更高层次的解释。 -
基于双通道特征融合策略与注意力机制的高光谱成像深度学习模型鉴别不健全大豆
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 支持向量机 卷积神经网络 其他深度学习结构 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
豆类与坚果（及籽类） 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法高水平数据融合在农产品检测中的应用仍面临重大挑战。本研究提出了结合注意力机制的双通道特征融合模型（DCFFM），以优化利用高光谱图像中的一维光谱数据和二维图像数据，实现高水平数据融合。通过对支持向量机（SVM）、卷积神经网络（CNN）与DCFFM的比较分析，表明DCFFM表现出更优的结果，在可见-近红外（Vis-NIR）波段实现了准确率、精确率、召回率、特异性和F1分数分别为95.13%、95.49%、94.83%、98.97%、95.12%；在短波红外（SWIR）波段分别为94.00%、94.43%、94.16%、98.67%、94.27%。这也表明Vis-NIR波段比SWIR波段更适合识别不健全大豆。此外，通过可视化展示分类结果，从而通过模型反演说明了DCFFM的泛化能力。总之，本研究旨在探索一个能够全面获取高光谱图像中光谱和图像信息的建模框架，实现高水平数据融合，从而达到更高的准确率。
-
基于微波自由空间与有限元方法的苹果水心病直径无关检测
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 支持向量机 智能手机/其他 卷积神经网络 分类/鉴别/等级评定 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 统计建模与仿真 光谱/色谱/质谱等分析方法水心病是影响苹果品质的一种生理紊乱。本研究提出一种结合微波自由空间与有限元模拟的新方法，用于检测不同直径苹果的水心病。首先，收集了509个直径在69至100毫米之间的‘富士’苹果的传输系数（S12、S21）与水心病程度。随后，基于有限元法构建了天线-苹果耦合仿真模型，获取果肉横截面的电场强度，并建立了直径与传输系数之间的拟合方程，用于将传输系数校正至同一直径尺度。最后，分别基于原始光谱与校正后光谱建立了决策树（DT）、支持向量机（SVM）、人工神经网络（ANN）和一维卷积神经网络（1D-CNN）的水心病程度分类模型。实验结果证明在大多数频率下，传输系数与苹果直径及水心病程度呈负相关。仿真结果表明，在七个等间距对数频率下，传输系数随直径的变化遵循正弦三角函数关系。使用校正后光谱建立的模型比原始光谱具有更高的准确率。基于校正后S21光谱构建的ANN模型准确率最高，训练集、预测集和验证集分别达到99.02%、97.12%和91.19%，验证集中正常、轻度、中度和重度水心病苹果的识别准确率分别为88.89%、92.59%、88.89%和100%。本研究表明，无论苹果直径如何，均可通过微波自由空间、有限元模拟及适当算法实现苹果水心病程度的检测。
-
基于感官偏置自编码器实现食物流变学对质地感知的预测
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 定量预测/回归分析 小规模数据集食品标签
保藏与贮藏 品质、结构与理化性质 常规理化指标测定理解食物的物理特性如何影响感官感知仍然是食品设计中的一个关键挑战。本文提出了一种创新的机器学习策略，用于解码液态食品的非牛顿流变特性与其感知质地之间的复杂关系。我们方法的一个独特且关键的方面是在训练过程中将感官评分作为解码器偏置引入自编码器神经网络。这使得自编码器能够有效识别剪切稀化特性与感知厚度之间的非线性、非单射关系，即使是在小型数据集上训练也是如此。该策略通过帮助设计精心定制的感官体验，为推进食品产品开发提供了一种有前景的途径。
-
基于机器学习结合GC-TOF/MS和GC-IMS全面挥发性成分分析的果酒分类
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 支持向量机 随机森林 K-近邻 分类/鉴别/等级评定食品标签
酒精饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质果酒通过各种水果发酵制成，以其独特的风味特征而著称。本研究采用智能感官分析、GC-TOF/MS和GC-IMS对八种果酒（包括5种葡萄酒SJ、LS、HY、TJ、FT，1种发酵梅酒FZ，1种蓝莓酒HZ，以及1种配制梅酒LM）的挥发性成分进行分析。通过GC-TOF/MS共鉴定出281种化合物，其中酯类和酸类占所有样品的80%以上。GC-IMS鉴定出60种化合物，主要包括16种酯、11种醇、6种酮和7种含硫化合物。这表明IMS和MS数据包含关于挥发性成分组成的不同信息。分别从TOF/MS数据和IMS数据中获得了37种和18种差异化合物。结合三种排序算法和五种机器学习模型（神经网络NN、随机森林RF、支持向量机SVM、K最近邻KNN、逻辑回归LR）进行应用，并从挥发性成分中识别出58个关键特征。LR和KNN模型的总体分类准确率达到0.95，F1分数大于0.9。对于IMS数据，NN、LR和KNN模型的准确率和F1分数均大于0.9。本研究推进了果酒分类，有益于饮料行业和食品化学研究。
