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 108 条结果
-
通过基于树的回归模型中的适口性评分预测识别苹果风味的芳香化合物
查看原文
2024
LWT
中科院一区JCR一区
Taku Shimizu, Yuuhi Hattori, Shoji Ogami, Yuriko Imayoshi, Shigeki Moriya, Kazuma Okada, Yutaka Sawamura, & Kazuyuki Abe
计算机标签
随机森林 梯度提升决策树 模型可解释性 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
新鲜水果 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 其他植物化学物质苹果风味与香气化合物的组成有关；然而，不同浓度的香气化合物的影响仍然知之甚少。虽然感官评价通常用于分析食品的可口性，但评估所有香气化合物浓度的影响仍具有挑战性。本研究使用回归模型、气相色谱质谱分析和感官可口性评分筛选了174种苹果基因型中的重要香气化合物。采用了两种模型，即随机森林和XGBoost来预测可口性评分，超越了相关性分析的局限性。Shapley加性解释值分析确定了5-己醇、乙基2-甲基丁酸酯、2-甲基丁基乙酸酯、(E,E)-α-法呢烯和(Z)-3-己醇为关键香气化合物。在一项验证香气化合物浓度影响的感官评估中，(E,E)-α-法尼烯浓度的变化对感官可口性评分产生了负面影响。这项研究展示了一种识别影响苹果风味的香气化合物的新方法，为提升苹果质量和可口性提供了有价值的见解。
-
基于机器学习的扩展青霉感染苹果病斑中棒曲霉素积累预测模型
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Rongxia Li, Pengdong Xie, Xiaoyan Cheng, Lirong Yu, Ruofei Wu, Huali Xue, Yang Bi & Xuexue Wang
计算机标签
随机森林 梯度提升决策树 智能手机/其他 模型可解释性 定量预测/回归分析食品标签
新鲜水果 颜色与外观品质 微生物安全 其他理化与结构表征扩展青霉（Penicillium expansum）引起果实蓝霉病，并导致有害毒素棒曲霉素的积累。目前棒曲霉素的检测方法成本高且复杂，凸显了对简化方法的需求。本研究探讨了扩展青霉对‘金冠’和‘富士’苹果的影响，重点关注病斑特征和果实特性的显著变化。相关性分析显示，棒曲霉素含量与病斑直径、病斑深度及果实重量损失呈强正相关，而与苹果硬度和果肉硬度呈负相关。在使用的四种机器学习模型——反向传播神经网络（BPNN）、随机森林（RF）、极端梯度提升（XGBoost）和梯度提升回归树（GBRT）中，所有模型均显示出良好的预测性能且未对数据产生过拟合。BPNN在准确预测棒曲霉素积累方面优于其他模型（金冠：RMSE=0.72, MAE=0.217, R²=0.982；富士：RMSE=0.289, MAE=0.08, R²=0.994）。利用SHapley可加性解释（SHAP）度量确定的影响棒曲霉素积累的关键特征包括病斑直径、病斑深度和果实重量损失。本研究强调了机器学习基于这些关键因素预测棒曲霉素积累的潜力，为采后果实质量管理提供了一种简化的检测方法。
-
基于拉曼光谱与可解释性支持向量机的 Omega-3 鱼油补充剂鉴别方法
查看原文
2024
Food Control
中科院一区JCR一区
Wedilley F. Soares, Billy D. Chhinchin-Piñan, Renato M. Silva & Jailer E.L. alla
计算机标签
支持向量机 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集食品标签
动物油脂 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸近年来，利用机器学习算法开发自动化分析方法和智能传感器的相关研究显著增多。尽管这类算法通常能展现出优异性能，但其可解释性较差仍是主要局限性之一。本研究提出一种高效的认证方法，用于鉴别获得认证的 Omega-3 鱼油膳食补充剂，该方法基于振动光谱技术（拉曼光谱法）与具有化学可解释性的机器学习算法（区间支持向量机，iSVM）。研究以无损方式采集了 248 份认证 Omega-3 鱼油样品和 520 份非认证样品的拉曼光谱。通过将 iSVM 的判别能力与对应光谱区间内的拉曼特征峰相关联，揭示了认证与非认证补充剂在化学成分上的关键差异。研究对方法的各项性能指标（如准确率、F1 分数）进行了估算与严谨分析，并利用独立样品开展额外的外部验证，以评估模型的稳健性与泛化能力。结果表明，所提出的拉曼光谱 - 区间支持向量机（Raman-iSVM）方法不仅具备出色的化学可解释性（证实不饱和脂肪酸的拉曼特征峰对样品鉴别至关重要），还具有高准确率（内部验证集与外部验证集准确率分别达 96% 和 92%）、检测快速、设备便携、计算成本低等优势。因此，本研究认为该方法可直接应用于 Omega-3 鱼油补充剂及其他食品的现场质量监测。
-
基于暹罗网络的对比学习对黄曲霉毒素B1进行光谱智能检测
查看原文
2024
Food Chemistry
中科院一区JCR一区
Hongfei Zhu, Yifan Zhao, Qingping Gu, Longgang Zhao, Ranbing Yang, & Zhongzhi Han
计算机标签
卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
谷物/块根/豆与坚果类 食品安全与风险评估 微生物与发酵实验黄麴毒素，即花生、玉米及其衍生物中的有害物质，带来了重大健康风险。为此，本研究引入了创新的MSGhostDNN模型，将对比学习与多尺度卷积网络相结合，实现精确的黄麴毒素检测。该方法显著提升了特征辨别能力，预训练模型下检测准确率达到了令人印象深刻的97.87%。通过应用Grad-CAM，它进一步优化模型，识别关键波长，特别是416纳米，并聚焦于40个关键波长，以实现最佳性能，准确率达97.46%。该研究还采用了任务降维方法进行持续学习，从而实现花生和玉米中黄麴毒素谱系的有效持续监测。这种方法不仅提高了黄麴毒素的检测效率，还为快速在线检测类似毒素树立了先例，为减轻黄麴毒素暴露相关的健康风险提供了有前景的解决方案。
-
基于机器学习的光谱食品掺假检测：当前挑战与未来展望
查看原文
2024
Trends in Food Science & Technology
中科院一区JCR一区
Rishabh Goyal, Poonam Singha & Sushil Kumar Singh
计算机标签
机器学习/统计学习 深度学习 模型可解释性 特征工程与选择策略 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
食品安全与风险评估 光谱/色谱/质谱等分析方法背景：食品掺假已成为食品行业面临的重大挑战，影响着消费者的健康和市场信任。利用机器学习，特别是深度学习与光谱方法，已经彻底改变了食品掺假检测方式，使得开发更为复杂和自动化的解决方案成为可能。
范围与方法：本综述旨在全面概述基于机器学习的光谱技术在检测食品掺假方面的挑战与机遇，探讨了食品行业中常用的各种光谱技术，如红外光谱、拉曼光谱、核磁共振光谱、荧光光谱、多光谱成像和高光谱成像。文章讨论了数据预处理、特征工程、模型复杂性、可解释性及其性能，以及对大规模多样化数据集的需求。
主要发现与结论：要开发一个采用机器学习的商业化光谱掺假检测系统，不仅需要优化模型，还需要优化数据集大小、预处理方法的组合、特征选择与提取方法、模型选择、通过验证调整的超参数以及性能标准。此外，新的机器学习算法正在迅速发展，但利用光谱技术创建专门的掺假检测模型仍然是一个研究领域。
