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
-
猪肉馅饼中鸡肉掺假的分类与识别：基于多维质量谱和机器学习的方法
查看原文
2025
Food Control
中科院一区JCR一区
Hui Lu, Cong Yao, Lin An, Aiying Song, Feng Ling, Qiliang Huang, Yuling Cai, Yunguo Liu & Dacheng Kang
计算机标签
偏最小二乘法 支持向量机 深度学习食品标签
畜肉 禽肉 品质、结构与理化性质 理化与结构表征 风味组学 常量营养素（宏量）本研究旨在利用机器学习技术识别含有不同水平鸡肉掺假的猪肉馅饼样本。构建了一个多维检测系统，使用了300个样本，包含0%到100%的鸡肉掺假梯度。分析了43个参数，包括水分活度、颜色、质地特性、游离氨基酸和电子鼻传感器响应。系统分析了掺假引起的猪肉馅饼的物理和化学变化。基于质量指标和掺假率，开发并评估了偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）和反向传播人工神经网络（BP-ANN）等机器学习模型。BP-ANN模型取得了99.52%的训练准确率，独立测试集准确率达到98.00%。其性能显著优于SVM（95.56%）和PLS-DA（86.75%）。SHAP分析确定苏氨酸含量、色度参数和组氨酸含量为主要判别指标。筛选出的六个特征与电子鼻传感器阵列相结合，共同增强了模型的稳健性。BP-ANN算法被集成到Streamlit平台，开发了一个用于预测掺假率的实时在线工具。
-
可解释的多机器学习模型用于鸡胸木质化评分：整合理化分析和基于SHAP的特征重要性
查看原文
2025
LWT
中科院一区JCR一区
Hui Lu, Laixue Ni, Xiangli Chen, Xiaodong Zhu, Cong Yao, Lin An, Yunguo Liu, & Dacheng Kang
计算机标签
机器学习/统计学习 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 时序传感器/物联网数据 质构/流变/感官数据食品标签
禽肉 质构与流变性质 颜色与外观品质 常规理化指标测定 质构与流变测试关于家禽业中鸡胸肉木质胸问题，本研究通过多指标分析系统评估了不同程度木质胸的质量差异。评估涵盖了pH值、颜色特性、保水性、质地特征以及电子鼻数据等参数。此外，提出了一种结合机器学习模型的协作策略，以构建有效的分类模型。选取了科宝白羽肉鸡的胸肉样本，并根据触感和视觉标准分为四组：正常胸肉（NB）、轻度木质胸（LWB）、中度木质胸（MWB）和重度木质胸（SWB）。质量指标随木质胸程度而变化（P < 0.05）。在众多机器学习模型中，BP-ANN 模型表现出最高的性能，其分类准确率为 95.83%，优于 SVM（91.67%）和 PLS-DA（87.50%）模型。通过基于 Shapley 加法解释（SHAP）的可解释性分析，在 SWB 组中，黏性和嚼劲成为主要因素，这与肌原纤维致密化和结构重组导致的加工性能下降相关。本研究的重点是开发鸡木胸快速检测与分级技术，为其快速识别和质量控制提供理论基础和技术支持。
-
采收季节和海拔对凤凰单丛茶可追溯性的影响：基于稳定同位素和机器学习
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Wenwen Liu, Jie Zhao, Wan Wei, Shuilian Liang, Lu Xiao, Manqin Fu, Xu Wang & Yan Chen
计算机标签
支持向量机 分类/鉴别/等级评定 质构/流变/感官数据食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法茶叶的可追溯性至关重要，因为其质量和价值会因收获季节和海拔高度而存在显著差异。在本研究中，我们旨在结合δ13C、δ15N、δ2H、δ18O和机器学习来识别凤凰单丛茶的收获季节和海拔高度。我们探究了收获季节、海拔高度、气象因素以及茶叶品种对稳定同位素组成的影响。结果显示，来自不同季节和海拔高度的茶叶样品在稳定同位素比值上存在显著差异，且收获季节对同位素变化的影响大于海拔高度的影响。此外，δ2H和δ18O被确定为季节区分的关键指标。支持向量机模型表现最佳，在区分春季和高海拔地区的高价值单丛茶时，分类准确率超过93%。本研究表明，将稳定同位素与机器学习相结合，为监测茶叶的真实性提供了很有前景的方法。
-
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
Dianyang Sun, Li Zhang, Haitao Li, Weijie Lan, Kang Tu, Jun Liu & Leiqing Pan
计算机标签
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。
-
利用傅里叶变换近红外光谱（FT-NIRS）和机器学习预测多种大豆品种的全粒和磨碎种子成分
查看原文
2025
Food Chemistry
中科院一区JCR一区
Guillaume Lassalle, Stéphane Michaux, Philippe Pollien, Isabelle Privat & Claire Denis
计算机标签
偏最小二乘法 支持向量机 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 光谱/色谱/质谱等分析方法 维生素 矿物质与微量元素 蛋白质与氨基酸 脂质与脂肪酸 多酚与黄酮大豆正越来越多地被纳入人类饮食，凸显了确定其成分的重要性。尽管傅里叶变换近红外光谱（FT-NIRS）已成为一项有前景的技术，但目前使用的模型仍限于宏观成分的确定。本研究探讨利用FT-NIRS和机器学习预测大豆宏量组成、脂肪酸和氨基酸、微量营养素、维生素、植酸、异黄酮、胰蛋白酶抑制剂以及五十多种挥发性有机化合物（VOCs）的可行性。我们的模型实现了蛋白质、脂质、多元不饱和脂肪酸、亚油酸以及多达15种氨基酸、4种微量营养素、5种维生素和14种挥发性有机化合物（0.60 < R）的可接受到高度准确的定量2<为0.96%和5.3%
