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
-
使用激光诱导荧光和加权算法增强单粒花生中黄曲霉毒素B1的检测
查看原文
2025
Food Control
中科院一区JCR一区
Chenghong Wang, Zhongjun Yan, Fei Shen, Qiuhui Hu & Xirong Huang
计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 微生物安全 光谱/色谱/质谱等分析方法花生是一种全球重要的作物，易受黄曲霉毒素B1（AFB1）污染，对食品安全构成重大威胁。本研究采用激光诱导荧光光谱法（LIFS）检测单粒花生中的AFB1。模拟自然污染条件以获得具有不同AFB1水平的花生，并使用单探头和三探头方法收集表面荧光信号。通过湿化学方法量化毒素含量，并应用机器学习进行分类。结果表明，增加探针数量可显著提高检测精度并降低假阴性率（FNR）。提出了一种加权算法来增强光谱分析，该算法可以放大污染样本和未污染样本之间的差异。基于三探头加权荧光光谱数据的线性支持向量机（SVM）获得了最佳判别能力（准确率=100%）。此外，随机森林（RF）算法识别了六个关键波长，使SVM分类器能够以94.12%的准确率和0%的假阴性率预测污染情况。这种高灵敏度、高精度的方法为花生的快速、无损AFB1检测提供了可靠的技术方案，有望在食品安全监测中得到关键应用。
-
利用非侵入式光谱技术和机器学习预测油凝胶特性
查看原文
2025
Food Research International
中科院一区JCR一区
Ingrid A. Moraes, Sylvio Barbon Junior, Javier E.L. Villa, Rosiane L. Cunha & Douglas F. Barbin
计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
其他油脂制品 其他添加剂与配料 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 脂质与脂肪酸油凝胶剂被视为需要监管部门批准的食品添加剂。因此，对这些可能具有不同特性（如蜡质感）、成本和来源（如动物性或植物性）的成分进行分类对保障消费者选择至关重要。鉴于此，本研究展示了一种基于多种油凝胶剂的油凝胶非侵入式分类方法，并可同时量化其浓度、游离脂肪酸含量和油损失。为实现无损、环保、便携、快速且有效的量化，使用了色度计、拉曼光谱仪和两台互补范围的近红外光谱仪。油凝胶由葵花籽油和大豆油制备，分别添加1%至10%（w/w）的蜂蜡、单硬脂酸甘油酯和乙基纤维素作为油凝胶剂。经光谱预处理后，进行主成分分析、分类与回归建模。随机森林模型基于所用油类型和油凝胶剂类型对样本进行分类的准确率达100%，对其浓度的分类准确率达94%。针对游离脂肪酸含量和油损失的偏最小二乘回归模型表现出高性能，外部验证集的残差预测偏差大于3，范围误差比大于10，表明其具有适当的预测能力和质量控制的适用性。光谱仪器，特别是色度计和近红外光谱仪，显示出作为监测这些添加剂并预测游离脂肪酸含量和油损失的有前景的工具，可确保油凝胶的质量。
-
基于GC-IMS、GC-MS和GC×GC-MS结合机器学习表征和探索酱香型白酒不同轮次挥发性成分的动态变化
查看原文
2025
Food Research International
中科院一区JCR一区
Jialiang Niu, Ruiqi Liu, Weiwei Li, Ying Lang, Xiuting Li, Weizheng Sun & Baoguo Sun
计算机标签
随机森林 分类/鉴别/等级评定 组学数据 多模态/融合数据食品标签
酒精饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法酱香型白酒的生产过程包括七次蒸馏，产生七个轮次的基酒，随后进行勾调成为最终产品。因此，基酒的质量与最终产品的质量密切相关。这七个轮次的基酒各具独特的风味轮廓，但其挥发性成分及其特异性尚不明确。本研究综合利用GC-MS、GC×GC–MS和GC-IMS技术研究了基酒中挥发性化合物及其动态变化。共鉴定出469种挥发性化合物，其中17种为重叠化合物。利用随机森林模型，从三种方法中筛选出35种关键生物标志物。异戊酸乙酯、丁酸乙酯、苯甲醛、2-乙基-6-甲基吡嗪和苯乙醛等关键化合物在风味形成中起重要作用。通过受试者工作特征曲线验证了模型性能，曲线下面积接近1。此外，这些挥发性化合物的代谢途径主要涉及碳水化合物和氨基酸代谢。本研究揭示了酱香型基酒中挥发性成分的特异性，并为白酒质量控制提供了有价值的见解。
-
使用表面增强拉曼光谱结合深度学习模型对花生油中黄曲霉毒素B1进行快速无标记检测
查看原文
2025
LWT
中科院一区JCR一区
Dingding Wang, Tanvir Ahmad, Shaimaa A. Khalid, Ahmed S. Abo Dena, & Yang Liu
计算机标签
卷积神经网络 循环神经网络 支持向量机 随机森林 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分本研究提出了一种用于快速、无标记且高灵敏度检测花生油中黄曲霉毒素B1（AFB1）的新方法，该方法结合了表面增强拉曼光谱（SERS）和深度学习模型。合成了银包覆金纳米颗粒（Au@Ag NPs）作为SERS基底。采用共焦拉曼光谱仪获取加标AFB1的花生油样品的拉曼光谱。随后，对收集到的SERS光谱数据进行了增强和预处理，以提高回归模型的泛化能力。共开发了六种回归模型，包括偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林回归（RFR）、卷积神经网络（CNN）、长短期记忆网络（LSTM）以及结合CNN-LSTM的模型。结果显示，CNN-LSTM 模型能够有效捕捉复杂的非线性关系，减少对参数调整的依赖，并最小化过拟合。它还能够有效处理大规模数据集，降低计算负担。CNN-LSTM 模型在预测性能方面表现出色，决定系数 (R² P) = 0.9892，预测均方根误差 (RMSEP) = 0.2104，性能偏差比 (RPD) = 6.8723，同时灵敏度极佳 (LOD = 0.31 μg/kg)。这些结果表明，该方法能够在花生油中实现快速、无标记、高效的 AFB 1 检测，并具有显著的实时监测应用潜力。
-
将快速蒸发电离质谱法与化学计量学相结合用于可可豆质量的鉴别
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Julie Lestang, Susanne Miescher Schwenninger & Laura Nyström
计算机标签
随机森林 梯度提升决策树 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
巧克力及含可可制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 菌种筛选与特性评价 代谢组学确保可可豆的高品质和质量稳定性是一项重大挑战，这源于与食品安全、经济收益和整体质量相关的考量。近年来，通过筛选特定的微生物菌株，已研发出功能性微生物培养物，这些菌株能够促进可可豆的发酵过程，并提升发酵和干燥后可可豆的质量。这些筛选过程需要对大量微生物菌株进行广泛且耗时的筛选。为解决这一问题，本研究探索了一种基于代谢物的快速、非靶向方法，用于区分经特定微生物培养物发酵的可可豆。这一方法通过将快速蒸发电离质谱（REIMS）与化学计量学分析相结合来实现。研究利用REIMS对21种抗真菌（AF）和/或果胶分解（P）微生物培养物发酵的可可豆的代谢物指纹进行了分析。借助与REIMS系统集成的LiveID软件，根据代谢物图谱对发酵后的可可豆进行了区分。随后，对六种分类模型的性能进行了详细比较，并尝试将其扩展用于对独立发酵可可豆的代谢物指纹进行分类。起初，LiveID结合PCA-LDA成功区分了基于单菌株微生物培养物以及共培养物预期的AF或AF&P功能的代谢物指纹，准确率达到80%。对这六种分类模型的进一步分析表明，梯度提升机、随机森林和神经网络在基于微生物共培养物功能区分代谢物指纹方面表现优异，准确率估计分别为85%、84%和81%。最后，经过优化的随机森林模型在独立数据集上进行了测试，两类模型的准确率达到70%-85%。这些模型在独立数据上的表现凸显了它们更广泛应用的潜力，例如在实验室规模或农场环境中区分可可豆，以支持功能性微生物培养物的研发，从而生产出质量稳定的高品质可可豆。
