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 364 条结果
-
高光谱驱动的PSO-SVM模型与优化的CNN-LSTM-Attention融合网络用于浓香型白酒掺假的定性和定量无损检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xinjun Hu, Jiahao Zeng, Mingkui Dai, Anjun Li, Ying Liang, Wei Lu, Jianheng Peng, Jianping Tian, Manjiao Chen & Dan Huang
计算机标签
支持向量机 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/多光谱光谱食品标签
酒精饮料 显微与成像技术受利益驱动的白酒掺假行为，严重危害消费者健康并扰乱市场秩序。本研究将高光谱成像技术与深度学习相结合，用于掺假检测。在对正品和掺假样品进行分类时，粒子群优化支持向量机（PSO-SVM）通过优化的光谱预处理，达到了97.62±1.15%的准确率。在定量预测方面，研究提出了一种名为Ghost-LSTM-缩放点积注意力（GLSNet）的新型融合网络，其预测性能（RP²=0.9569±0.0145）显著优于传统的偏最小二乘回归（PLSR）以及其他深度学习模型，如卷积神经网络（CNN）和卷积神经网络-长短期记忆网络（CLNet），同时与PLSR相比，推理效率提高了3.55倍。GLSNet在外部验证集上表现良好，并通过热图可视化了掺假分布情况。研究表明，高光谱成像结合深度学习能够快速、准确地检测白酒掺假，为质量控制和市场监管提供支持。
-
人工智能在快速测定药品含水量中的应用 食品同源性物质
查看原文
2025
Food Chemistry
中科院一区JCR一区
Mengyu Zhang, Boran Lin, Shudi Zhang, Cheng Peng, Chang Li, Tingting Feng, Lian Li, Aoli Wu, Chunguo Yang, Wentian Wang, Shouyao Huang, Lei Nie & Hengchang Zang
计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 常量营养素（宏量）含水量在药物的质量检测中至关重要，食品同源性物质。本研究旨在基于近红外光谱学提出一种新的含水量建模方法。在比较三种偏最小二乘回归、支持向量回归和卷积神经网络（CNN）三种方法来构建三种不同物质的含水量预测模型时，发现准确性受系统误差影响且较低。因此，本研究整合了三种物质的含水特性带数据，建立了通用模型。最优预测模型是SSA-CNN-BiLSTM。测试集的RMSEP值分别为0.3568%、0.2057%和0.0029%，RPD值分别为10.26、2.30和5.60。该研究的创新之处在于上述方法提高了建模的准确性和效率。它消除了每种物质单独建模时的系统性错误，简化了建模过程，并扩大了模型应用的范围。
-
利用SHAP值解释机器学习模型：应用于不同部位羊肉营养分类与预测任务
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Li Wang, Xuchun Sun, Jing Liang, Zhiyuan Ma, Fei Li, Shengyan Hao, Baocang Liu, Long Guo & Xiuxiu Weng
计算机标签
偏最小二乘法 支持向量机 模型可解释性 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/感官数据食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸新鲜肉类产品中营养成分的快速识别和预测是一项重大挑战。本研究旨在利用支持向量机（SVM）和偏最小二乘（PLS）模型对不同部位的新鲜羊肉进行分类并预测其营养成分，重点关注腰大肌、后腿肉和前腿肉在脂肪酸组成上的差异。SVM-SHAP模型对粗脂肪、蛋白质和脂肪酸进行了预测，同时解释了特征贡献。后腿肉中的多不饱和脂肪酸（PUFA）显著高于腰大肌和前腿肉。SVM模型的分类准确率达到92.5%，并成功预测了粗脂肪（EE）、粗蛋白（CP）、单不饱和脂肪酸（MUFA）和多不饱和脂肪酸（PUFA）等关键营养参数，在测试集中的相对分析误差（RPD）值均超过2.7。SHAP值分析表明，与脂质相关的变量以及2300–2500 nm波段的波长是该模型的主要贡献因素。基于可见-近红外（Vis-NIR）的SVM建模技术是一种快速、无损且准确的新鲜羊肉评估工具。
-
基于化学计量学分析和数据融合策略筛选用于鉴别淡水和海水养殖鲑科鱼类的特征变量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Ziyang Zheng, Cui Han, Xuan Dong, Yangeng Zhou, Xiangli Tian, Qinfeng Zhao & Li Li
计算机标签
支持向量机 特征工程与选择策略 分类/鉴别/等级评定 多模态/融合数据 小规模数据集食品标签
鱼肉 光谱/色谱/质谱等分析方法选择能够区分淡水养殖和海水养殖鲑科鱼类的特征变量，对于建立可靠的溯源方法至关重要。本研究中，鲑科鱼类在三种不同的盐度变化模式下养殖了94天。对它们的稳定同位素、元素和磷脂脂肪酸进行了表征。不同变量对盐度变化表现出不同的敏感性。通过各种数据融合策略对这些数据进行整合，创建了五个数据集，分别包含40、12、12、9和7个变量。将这五个数据集与支持向量机（SVM）、随机森林（RF）、线性判别分析（LDA）和正交偏最小二乘判别分析（OPLS-DA）相结合，对来自不同养殖方式的86条鲑科鱼类进行区分。使用SVM和数据集IV获得了100%的满意判别率。该数据集包含的9个变量（δ2H、δ18O、Sr、C18:0、ΣSFA、C20:3n3、C22:6n3、C18:2n6和ΣPUFA）是区分淡水养殖和海水养殖鲑科鱼类的潜在指标。
-
基于种子多光谱成像与机器学习算法区分不同品种生菜的研究
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Jinpeng Wei, Zhangyan Dai, Qi Zhang, Le Yang, Zhaoqi Zeng, Yuliang Zhou, Jun Liu & Bingxian Chen
计算机标签
支持向量机 随机森林 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
新鲜蔬菜 显微与成像技术 光谱/色谱/质谱等分析方法准确识别优质种子对于保持优良作物性状至关重要。生菜是一种消费量很大的蔬菜，品种多样，然而传统的识别方法既耗时又费力。本研究探索了利用多光谱成像结合机器学习快速、无损识别不同生菜品种的可行性。我们首先通过多光谱成像收集了15个生菜品种的种子形态和光谱数据。然后，我们应用支持向量机（SVM）、随机森林（RF）、反向传播神经网络（BP）和线性判别分析（LDA）进行品种识别。结果表明，多光谱成像结合机器学习模型能够有效区分不同的生菜种子品种。基于形态和光谱融合特征数据的LDA模型表现最佳，平均分类准确率为92.7%。在批量验证中，LDA模型的准确率达到了93.2%。这种方法降低了成本，提高了效率，在其他作物的种子识别方面显示出巨大潜力。
