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
-
利用近红外和中红外光谱检测可可粉中角豆粉掺杂：一项全面的分类与回归分析
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 主成分分析/判别分析 特征工程与选择策略 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
巧克力及含可可制品 食品安全与风险评估 质量管理与追溯系统 光谱/色谱/质谱等分析方法可可粉是一种全球贸易的食品，主要产于发展中国家，具有重要的经济价值。然而，它容易受到角豆粉等廉价材料的掺杂，尤其是在感官方法难以检测的低浓度情况下。为了解决这一问题，振动光谱结合多元分析的快速分析技术可能有助于快速可靠地检测掺杂。在本研究中，使用四种不同的红外光谱仪收集了光谱数据：一台台式FT-NIR系统、两台便携式NIR仪器和一台台式FT-MIR-ATR。样品包括纯可可粉、纯角豆粉以及它们按角豆浓度从0%到60%不等的混合物。开发了分类和回归模型来检测和量化可可粉中角豆的存在。分类模型，包括随机森林（RF）、支持向量机（SVM）、多层感知器（MLP）、k-近邻（kNN）、线性判别分析（LDA）和软投票分类器，在区分可可粉、角豆粉和可可-角豆混合物方面表现出卓越的性能，接收者操作特征曲线下面积（AUC）得分高于0.99，尤其是在使用台式FT-NIR、一种经济高效的便携式NIR和FT-MIR-ATR设备时。同样，回归模型——RF、SVM、MLP、kNN、偏最小二乘回归和投票回归器——也表现出强大的预测能力。特别是基于FT-MIR和便携式NIR的模型显示出极高的准确性，RPD值分别超过16和13，表明它们适用于质量和过程控制。使用置换特征重要性确定了驱动模型预测的关键波长，适用于回归器和分类器。总的来说，这些发现凸显并证明了NIR和MIR光谱作为快速、稳健、非破坏性工具在食品真实性筛查和质量控制方面的潜力。
-
融合多源光谱数据的机器学习方法用于预测中华蜜蜂蜂蜜的花源及滋味成分
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
偏最小二乘法 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 多模态/融合数据食品标签
蜂蜜等天然糖 品质、结构与理化性质 质量管理与追溯系统 光谱/色谱/质谱等分析方法 常量营养素（宏量）本研究探讨了利用近红外、中红外和拉曼光谱融合技术快速预测中华蜜蜂蜂蜜花源和主要滋味成分的方法。基于偏最小二乘回归-随机森林的特征级融合模型在识别蜂蜜花源方面达到了100%的分类准确率。此外，该模型对糖类、氨基酸和有机酸表现出强大的预测能力，其R2值介于0.88至0.96之间，并且在预测总有机酸和总氨基酸方面表现尤为突出（R2值分别为0.94和0.93）。PLSR-RF模型在脯氨酸、葡萄糖和果糖的预测上显示出有效的聚类效果，与数据级融合相比，预测精度提升了23.5%。这些结果证实了PLSR-RF模型在中华蜜蜂蜂蜜定量分析中的有效性。
-
基于迁移学习的祁门红茶质量近红外光谱评估方法改进
查看原文
2025
Food Research International
中科院一区JCR一区
计算机标签
智能手机/其他 迁移学习/领域自适应 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 光谱/色谱/质谱等分析方法祁门红茶是一种著名的中国红茶，由于不同年份的数据存在变异性，其质量评估面临挑战。为解决此问题，我们利用近红外光谱数据开发了迁移学习算法。定性算法BLACK TEA-GRADING利用了极限学习机的随机傅里叶特征，将不同年份茶叶分级的F1分数从0.7035提高到了0.8138。定量算法BLACK TEA-SUBSTANCE ANALYSIS基于逆格拉姆矩阵，用于预测主要风味物质。不使用该算法时，均方误差超过0.04且R值低于0.7；使用该算法后，均方误差降至0.015以下，R值超过0.8。因此，我们的方法利用迁移学习和近红外光谱技术，提高了跨年份祁门红茶质量评估的准确性，推动了近红外光谱在茶叶质量评价中的应用。
-
机器学习支持的电子鼻与高光谱成像技术在食品安全评估中的进展：综述
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 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 时序传感器/物联网数据食品标签
食品安全与风险评估 微生物安全 化学污染物 显微与成像技术 光谱/色谱/质谱等分析方法对食品污染和掺假等威胁的日益关注，促使了电子鼻（e-nose）和高光谱成像（HSI）等先进技术的采用，这些技术正越来越多地通过机器学习创新得到增强。本文旨在通过结合电子鼻、高光谱成像技术以及机器学习算法的见解，对食品安全进行全面综述。首先，简要讨论了电子鼻、高光谱成像和机器学习的基本原理，特别强调了人工神经网络（ANN）和深度学习（DL）。接着，综述探讨了机器学习如何提升电子鼻和高光谱成像的性能，随后深入探索了这些技术在检测食品危害方面的最新应用，包括药物残留、微生物污染物、农药残留、毒素和掺假物质。然后，重点指出了机器学习、电子鼻和高光谱成像在应用中遇到的主要限制，以及这些技术未来潜在发展的前景。在机器学习的辅助下，电子鼻和高光谱成像技术在食品安全评估中显示出巨大的应用潜力。尽管如此，它们的使用主要局限于实验室环境，限制了其在实际场景中的应用。此外，缺乏标准化协议也阻碍了它们在食品安全评估中的接受度和测试的可重复性。因此，需要进一步的研究来解决这些限制，并提高电子鼻和高光谱成像技术在实际应用中的有效性。最终，本文提供了对这两种技术的详细理解，突出了机器学习的关键作用，并展示了它们在食品安全评估中的创新应用见解。
-
利用人工智能推动水稻/小麦功能性食品研发的进展
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 大语言模型 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
小麦 大米 加工与新加工技术 营养与生物功能 食品安全与风险评估 光谱/色谱/质谱等分析方法近年来，在全球食品消费增长和消费者对更健康、更安全食品需求增加的驱动下，水稻和小麦功能性食品的研发（R&D）引起了食品研究者的广泛关注。人工智能（AI）通过其解决问题和决策支持的能力，具有提升效率、质量和安全性的潜力。本文全面概述了人工智能相关技术在食品工业中的应用，包括机器学习、大语言模型、计算机视觉和智能传感器。随后，文章探讨了过去五年（2020–2024）人工智能在水稻/小麦功能性食品研发中的具体应用，涵盖关键主题如作物种植与筛选、食品加工、食品质量与安全、挑战与未来展望。人工智能技术的引入引领该领域朝着更高效率、无损分析、更好鲁棒性和更强稳定性的方向发展。在实际应用中，将人工智能技术与各种光谱和传感技术相结合，在解决作物产量低、谷物功能性营养不足、过度加工以及传统检测方法造成的生态污染等关键问题上显示出巨大潜力。然而，人工智能在该领域的应用仍面临一些挑战，包括应用范围窄、数据可用性有限、应用成本高以及与信任相关的问题。展望未来，随着人工智能应用场景和功能的不断拓宽，人工智能有望成为颠覆性技术，从根本上改变水稻/小麦功能性食品研发的格局。
