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
-
利用低成本多通道光谱传感器结合机器学习快速识别咖啡种类与产地
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 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
咖啡饮料 品质、结构与理化性质 统计建模与仿真 光谱/色谱/质谱等分析方法咖啡种类与产地的快速识别对于确保咖啡行业的质量控制与真实性至关重要。本研究探索使用低成本多通道光谱传感器AS7265X（410–940 nm）结合机器学习技术，以实现快速、无损的咖啡种类与产地准确分类。光谱数据通过三种LED配置收集：原始的18个光谱波段，以及通过配置LED发射器将数据扩展为24和30个光谱特征的两种附加配置。咖啡样本包括两个种类（阿拉比卡和罗布斯塔），源自印度尼西亚四个不同产地：弗洛雷斯阿拉比卡（AF）、迦约阿拉比卡（AG）、丹比特罗布斯塔（RD）和淡满光罗布斯塔（RT）。研究采用了四种机器学习算法，即线性判别分析（LDA）、人工神经网络（ANN）、随机森林（RF）和支持向量机（SVM），并通过交叉验证技术进行超参数调优。此外，对每个咖啡豆样本随机进行了理化分析，并采用主成分分析（PCA）作为数据的探索性分析。研究结果表明，使用LDA算法在24和30个光谱特征下，咖啡种类识别达到了100%的完美准确率。对于咖啡产地识别，使用24个原始光谱特征的LDA算法获得了0.917的最高验证准确率。此外，研究应用了多种数据预处理方法并评估了它们对分类性能的影响，但所有预处理均未对分类性能带来任何提升。结果强调了AS7265X传感器结合LDA在可靠、快速咖啡种类识别方面的有效性。此外，该方法为咖啡产地识别提供了一种有前景、高性价比的解决方案，有助于增强咖啡行业的质量控制流程。
-
基于聚类与降维技术的全氟及多氟烷基物质在动物物种器官中分布的机器学习多模态分析
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 智能手机/其他 分类/鉴别/等级评定 组学数据食品标签
畜肉 禽肉 鱼肉 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法全氟及多氟烷基物质（PFAS）在水生和陆生生物中的污染构成了显著的环境与健康风险。本研究量化了鱼类（Clarias gariepinus, Oreochromis niloticus, Lates niloticus, Tilapia zilli）、牲畜（骆驼、牛、绵羊、公羊、山羊）和鸟类（鸽子、鸡、火鸡）多种组织（肝、肾、鳃、肌肉、皮肤、肺、血液、胸肉、羽毛）中的15种PFAS化合物。在鱼类中，C. gariepinus表现出最高的PFAS积累，其中PFOA (46.5 ng/g) 和 PFTrDA (50.1 ng/g) 在肝脏和肾脏中占主导，而O. niloticus则显示出较高的PFTrDA (56.87 ng/g) 和 PFUnDA (29.43 ng/g)。在牲畜中，骆驼肝脏含有较高的PFNA (9.22 ng/g)，牛肝脏中PFOS含量最高 (8.1 ng/g)。在鸟类中，鸽子肝脏的PFNA含量最高 (7.83 ng/g)。为分析PFAS的分布模式，研究采用了降维与聚类技术。主成分分析 (PCA) 捕捉了总方差的68.28%，揭示了两个不同的聚类，其中鱼类与较高的PFAS浓度密切相关，而禽类与其他肉类相比显示出独特的PFAS谱图。PFOS、PFOA及其他PFAS化合物在中心附近的聚类解释了它们对各类肉类（尤其是鱼类）的普遍影响，而t-分布随机邻域嵌入 (t-SNE) 则证实了高维空间中的清晰分离。聚类分析，包括K均值、层次聚类、DBSCAN和高斯混合模型 (GMM)，识别出明确的模式，其中DBSCAN和GMM检测到了重叠的类别和离群值。使用随机森林模型进行的特征重要性分析突出表明，总PFAS是最重要的预测因子，PFHxA和PFDoDA也有较强贡献，而器官类型和物种的影响相对较小。这些发现证明了无监督学习技术在表征跨物种和跨组织的PFAS生物积累模式方面的有效性，为生态和毒理学风险评估提供了宝贵信息。
-
光谱技术与化学计量学结合快速检测食品掺假：应用、前景与挑战
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 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据 多模态/融合数据食品标签
食品安全与风险评估 过程监测与在线检测 质量管理与追溯系统 统计建模与仿真 显微与成像技术 光谱/色谱/质谱等分析方法食品掺假是食品安全的重要威胁，且往往难以检测。传统分析方法通常复杂，不适合大规模样本筛查。本文综述了近三年来六种光谱技术——近红外光谱、傅里叶变换红外光谱、高光谱成像、拉曼光谱、紫外-可见光谱和荧光光谱——结合化学计量学方法在不同食品类别（粉状食品、肉类、蜂蜜、饮料、食用油和乳制品）掺假检测中的应用。讨论了每种光谱技术的原理、优势、局限性和样品适用性。详细探讨了光谱预处理、特征波长选择、数据划分方法、模型评价指标以及线性和非线性化学计量学方法（包括机器学习和深度学习模型）的整合。结果表明，虽然线性化学计量学方法仍被广泛使用，但其在处理光谱数据中非线性关系方面的局限性可能限制光谱技术的全部潜力。因此，未来研究应侧重于采用基于深度学习的化学计量学方法、增强模型可解释性、探索多光谱技术的数据融合策略，并推广便携式光谱解决方案用于实时、现场食品真实性鉴定。本综述为光谱技术与化学计量学相结合在应对食品掺假方面的现状、挑战和未来方向提供了全面视角。
-
数字图像处理结合机器学习：蜜蜂花粉分类的新方法
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 K-近邻 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
蜂蜜等天然糖 品质、结构与理化性质 质量管理与追溯系统 显微与成像技术蜜蜂花粉的分类对于确保产品真实性、质量控制和防止欺诈至关重要，尤其是鉴于无刺蜂罐装花粉的高商业价值。尽管传统的花粉分析方法可用，但它们通常耗时且复杂。为应对这一挑战，本研究整合数字图像处理和机器学习，基于颜色模式高效分类由意大利蜜蜂生产的蜂粮和无刺蜂物种的罐装花粉。共收集了来自五种蜜蜂（意大利蜜蜂、缘边麦蜂、四带麦蜂、双斑盾齿蜂和棒腹四蜂）的246份蜂粮和罐装花粉样本，并使用智能手机拍摄高分辨率图像。分析了从图像中提取的R、B、H和V等颜色参数，并测试了采用CatBoost、XGBoost、随机森林和k近邻算法的分类模型。在这些模型中，CatBoost实现了最高性能，训练阶段准确率达100%，测试阶段达98.9%。线性判别分析进一步验证了分类结果，将花粉样本分为与研究蜜蜂物种相对应的五个不同簇。XGBoost和随机森林的测试准确率分别为77%和78%，kNN也达到78%。这些结果表明，数字图像处理与机器学习相结合为不同蜜蜂物种的花粉分类提供了一种有效方法，在养蜂业中具有确保产品质量和真实性的应用前景。
-
基于深度学习的猪悬浮培养细胞成脂分化程度评估方法
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 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据食品标签
细胞培养肉 组学与高通量技术 显微与成像技术 脂质与脂肪酸脂肪对肉及肉制品的品质具有非常重要的作用。基于细胞培养的脂肪细胞分化是生产细胞培养肉的关键步骤，传统上依赖于通过荧光染色图像分析或分子生物学实验进行定量评估。然而，这些方法耗时、费力，且容易受到观察者主观感知的影响。因此，我们需要一种更快、更直观、更准确的评估技术。通过将高通量技术与深度学习相结合，我们分析了在猪悬浮脂肪细胞分化过程中捕获的明场图像。基于我们现有的细胞分化方案，我们快速收集了高通量明场图像，并开发了一个深度学习模型来评估这些图像中的成脂分化程度。通过单摇瓶和多摇瓶的相互验证，该模型取得了良好的结果（RMSE = 5.90，R2 = 0.8321）。它可以通过在96孔板中接种12个孔来确定样品的成脂分化程度，从而准确区分具有不同分化水平的样品。该方法使我们建立了一个整合高通量筛选和深度学习的应用，并帮助我们在快速筛选食用脂肪酸和蛋白质时，识别了花生四烯酸（100 µM）潜在的促进成脂分化能力。
