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 276 条结果
-
基于QSAR和机器学习鉴定天然食源性乳化剂：在乳品乳液中的应用
查看原文
2025
Food Chemistry
中科院一区JCR一区
Mengqi Liu, Zai-Xi Zhou, Hong-Fu Zhao & Xing-Hua Zhang
计算机标签
随机森林 定量预测/回归分析食品标签
液态乳 品质、结构与理化性质 统计建模与仿真 其他特殊成分乳化剂能维持乳浊液的稳定性，而乳蛋白形成的乳浊液是不稳定的。因此，需要找到筛选食品源化合物的有效方法。本研究将分子描述符与机器学习算法相结合，构建了用于筛选乳化化合物的定量构效关系模型。向不同的乳蛋白乳浊液中添加候选化合物，以评估其稳定性。结果表明，采用分子操作环境描述符结合随机森林算法构建的模型具有最佳的预测能力（曲线下面积：0.9947；准确率：93.33%）。甘草酸具有优异的乳化能力，将甘草酸与乳蛋白结合制备的乳浊液液滴粒径和电位更小（分别为102.64 nm和-36.64 mV），物理稳定性更好，起泡性提高了39.59%，且黏度更高。甘草酸显著提升了乳蛋白乳浊液的物理稳定性，为食品工业提供了新的思路。
-
利用牛肉胴体红外热成像技术和随机森林算法预测胴体长背肌温度和pH值
查看原文
2025
Meat Science
中科院一区JCR一区
Aline Rabello Conceição, Nathália Farias de Souza, Amanda Candian Coeli, Pedro Henrique Silva Braga, Eula Regina Carrara, Cláudia Batista Sampaio, Mario Luiz Chizzotti & Erica Beatriz Schultz
计算机标签
随机森林 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 中等规模数据集食品标签
畜肉 其他品质相关性质 常规理化指标测定 显微与成像技术 其他理化与结构表征本研究旨在评估红外热成像技术（IRT）作为预测牛胴体长肌（LTBC）初始温度、最终温度及pH值的方法。研究共对102头肉牛胴体进行冷藏前后检测，其中包括62头红安格斯×内洛尔杂交一代牛和40头内洛尔牛，牛只月龄约为14个月。采用探针温度计与pH计测量牛胴体长肌的温度和pH值。利用红外热成像技术测量牛胴体前躯、后躯、长肌区域及整体表面温度特征，以此预测上述参数，并采用随机森林机器学习算法构建预测模型。研究结果表明，采用红外热成像技术可预测牛胴体长肌温度，决定系数R²为0.06～0.78，平均绝对误差MAE为1.12～1.67；其中初始温度R²为0.06，最终温度R²分别为0.26和0.17。加入胴体热重（HCW）参数后，最终温度预测效果得到提升，R²从0.78提高至0.86。利用热成像图像预测牛胴体长肌pH值的R²为0.26～0.82，MAE为0.10～0.82。红外热成像技术与胴体热重相结合，可优化牛胴体肌肉最终pH值的预测效果。综上所述，红外热成像技术可用于预测牛胴体长肌的初始与最终pH值及温度，结合胴体热重参数能进一步提高预测精度。
-
基于可见光/短波近红外光谱与机器学习的山竹果实生理病害分类研究
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Nuttapong Ruttanadech, Abdul Momin, Kittisak Phetpan, Montree Chaichanyut, Chitwadee Thongphut, Thitima Phanomsophon & Thatchapol Chungcharoen
计算机标签
支持向量机 随机森林 智能手机/其他 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法准确分类山竹果实的生理病害对确保生产质量、安全性、可持续性和经济可行性至关重要。本研究探讨了可见和短波近红外（Vis/SWNIR）反射光谱结合机器学习算法在分类三种主要病害中的应用，这三种病害分别是：正常果实（NF）、果肉透明病（TFD）以及伴有黄色胶状乳胶的果肉透明病（TFD & YGL）。该研究专门考察了光强度、光谱预处理方法和机器学习模型对分类性能的影响。研究使用两种光强度（150瓦光源的50%和100%）收集光谱数据，并采用三种预处理方法进行处理：标准正态变量变换（SNV）、Savitzky-Golay二阶导数（SGD2）以及SNV与SGD2的组合。分类过程中使用了随机森林（RF）、支持向量机（SVM）和多层感知器（MLP）算法。SGD2方法提高了区分度，尤其是对于TFD & YGL类别，在700-725纳米波长范围内效果显著，该波长范围与果实果皮中的呫吨酮含量相关。较高的光强度（100%）显著提高了分类准确率，使用RF模型时，总体准确率达到0.71，平均F1分数为0.61。尽管取得了这些改进，但由于TFD类别与NF的光谱特征相似，模型仍难以区分二者。总体而言，可见和短波近红外光谱与机器学习相结合的方法在山竹果实病害的无损分类方面显示出巨大潜力。光强度和光谱预处理在提升性能中都发挥着关键作用。未来的研究应着重提高光谱灵敏度，以更好地捕捉果实的内部特征。
-
基于激光辅助快速蒸发电离质谱和数据融合结合机器学习的脂质组指纹快速识别复合山茶油掺假
查看原文
2025
LWT
中科院一区JCR一区
Gongshuai Song, Taijiao Xiang, Ziming Xu, Haina Hou, Yangcheng Ge, Haonan Lai, Danli Wang, Tinglan Yuan, Ling Li, Ziyuan Wang, Mengna Zhang, Liting Ji, Jinyan Gong, & Qing Shen
计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据 红外/拉曼光谱数据食品标签
植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法山茶油（CAO）是一种高价值的食用油，具有诸多健康益处；然而，其真实性常常因掺入廉价油而受到影响。本研究提出了一种快速且稳健的山茶油真实性分析方法，使用激光辅助快速蒸发电离质谱（LA-REIMS），结合互补的分析技术和化学计量学分析。研究采用脂肪酸组成、衰减全反射傅里叶变换红外光谱指纹、1H 核磁共振光谱以及颜色分析来表征山茶油。尽管传统方法在检测低含量掺假（< 40%）方面存在局限性，LA-REIMS 能在样品前处理最少的情况下提供详细的脂质组指纹，并实现高通量分析。通过将低级和中级数据融合策略应用于将 LA-REIMS 数据与 GC 数据结合，并开发八种机器学习分类模型，包括逻辑回归、k 近邻、支持向量机、决策树、神经网络、卡尔曼滤波器、线性判别分析和随机森林（RF），在分类准确性方面取得了显著提高。其中，RF 模型，尤其是与中级数据融合结合时，在识别正品 CAO 与掺假样品方面实现了 99.56% 的准确率。这些发现证明了建立数字化真伪检测平台的可行性，从而提升食用油行业的食品安全和质量控制。
-
基于三维荧光光谱和机器学习同时测定植物油油炸频率和过氧化值
查看原文
2025
Food Chemistry
中科院一区JCR一区
Huihui Yang, Yutang Wang, Bei Fan, Qing Chen, Meifeng Wu, Fengzhong Wang & Long Li
计算机标签
偏最小二乘法 随机森林 K-近邻 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法油炸烹饪方式存在多种健康隐患，检测煎炸用油的品质至关重要。本研究采用三维荧光光谱技术，对不同煎炸时长下植物油的过氧化值进行检测分析。研究将三种特征预处理技术与三种机器学习算法相结合，用于预测油脂的煎炸次数与过氧化值。在煎炸次数预测方面，大豆油以SG-RF模型效果最优，花生油和玉米油则以SG-PLS模型表现最佳，对应的决定系数Rp²分别为0.98、0.98和0.97。在过氧化值定量检测方面，大豆煎炸油最优模型为归一化-kNN，花生煎炸油最优模型为SG-RF，玉米煎炸油最佳组合为归一化-RF，对应的决定系数Rp²依次为0.87、0.89和0.93。该快速检测方法可实现煎炸油安全隐患的早期筛查，避免变质油脂投入使用，从而保障消费者身体健康。
