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 1173 条结果
-
鲍氏鲍指纹识别：结合机器学习的近红外光谱分析，为储存期鉴定提供新的工作流程
查看原文
2025
Food Microbiology
中科院一区JCR一区
计算机标签
深度学习 偏最小二乘法 其他深度学习结构 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据食品标签
食用菌菇 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质食品的真伪和食品安全问题已经对整个社区的繁荣造成了威胁。将松露菌混杂售卖的做法危及了消费者的安全。在此，通过高效液相色谱（HPLC）与傅里叶变换近红外（FT-NIR）光谱技术，对储存了 0 年、1 年和 2 年的 831 份贝托鲁斯·班尼古安菌进行了核苷含量和光谱的综合分析。鸟苷和腺苷随着储存时间的延长而增加，尿苷则呈下降趋势。采用多种常规机器学习和深度学习模型来识别贝托鲁斯·班尼古安菌的储存时间，其中卷积神经网络（CNN）和反向传播神经网络（BPNN）模型在区分不同储存期方面具有更出色的识别性能。数据驱动的软独立类比模型（DD-SIMCA）模型能够完全区分新样本和旧样本，而偏最小二乘回归（PLSR）能够准确预测这三种核苷化合物，其最佳 R2 值为 0.918，优秀的残差预测偏差（RPD）值为 3.492。这项研究为市场提供了一种成本低廉且易于使用的解决方案，能够实时确定鲍露斯·班尼乌甘菌在供应链中的储存期限。
-
数字化“及时支持”对健康食品选择的影响——一项实地实验
查看原文
2022
Food Quality and Preference
中科院一区JCR一区
计算机标签
分类/鉴别/等级评定 设计/生成与推荐 时序传感器/物联网数据 文本/知识库/法规数据 智能手机/其他食品标签
营养与生物功能 感官科学与消费者研究 问卷/市场与消费者研究新型数字技术的应用使得对健康行为的干预能够在以往根本无法实现的时刻进行。超市中的手持式自我扫描解决方案能够根据顾客的产品选择立即提供引导。在这一时刻（处于最易受影响、机会最大和接受度最高的状态），此时提出的引导可能会成为行动的提示，并促使做出更健康的选择。然而，选择后的偏差却表明改变决定是具有挑战性的。我们研究了可见性引导（产品建议）以及描述性和评价性的营养标签引导（在选择产品后立即提供）能否刺激更健康的食品选择。实验操作被整合到智能手机应用程序的扫描功能中，该应用程序允许在实体超市中扫描和购买产品。我们进行了以下比较：1）没有调整的对照版本，2）在扫描到不健康产品后出现一个带有更健康替代品的弹出窗口的可见性引导版本，3）与版本 2 类似但同时带有额外的描述性营养标签引导（表示替代品的健康程度）的版本。并且 4）与版本 2 类似但又增加了一个评估性的营养标签提示，该提示表明了替代品的健康程度。在为期 5 周的时间段内收集了销售数据。在具有显著可见性提示（即仅提示更健康的替代品，而没有其他提示）的版本中，购买更健康产品的比例（37.7%）显著高于对照组（29.9%），而带有附加描述性（30.0%）或评估性营养标签提示的版本（28.2%）的购买比例则低于前者。研究结果表明，显著地提示更健康的替代品能够刺激更健康的购买行为，但附加强调健康的提示可能会抵消这种效果。
-
一种分析自由JAR数据的机器学习方法
查看原文
2022
Food Quality and Preference
中科院一区JCR一区
计算机标签
机器学习/统计学习 随机森林 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据食品标签
奶酪 感官科学与消费者研究 问卷/市场与消费者研究本文提出了一种基于机器学习方法的处理自由 JAR 数据的策略。这种新的分析方法的开发基于这样一个事实：自由 JAR 数据可以被视为带有标签的文本数据，因为每个自由 JAR 评论都与一个享乐类别相关联。具体而言，这种两步法旨在利用这两组信息之间的联系，揭示产品的优点和缺点。第一步是为自由 JAR 评论分配语义评分，考虑它们与消费者提供的享乐分类之间的联系。这是通过基于随机森林建立分类器来实现的。第二步是基于可解释性的概念突出研究对象产品的特征属性。所提出方法的实用性通过一个与奶酪相关的案例研究得到了体现。
-
人工智能驱动的语音转文字和文字转语音技术能否限制感官和消费者研究中的采访者偏差？
查看原文
2023
Food Quality and Preference
中科院一区JCR一区
计算机标签
大模型与 LLM 分类/鉴别/等级评定 文本/知识库/法规数据 小规模数据集食品标签
糖、焙烤与糖果制品 感官科学与消费者研究 其他方法通过在线视频通话系统由人工面试官进行的访谈可用于调查产品评价；然而，这可能会导致面试官的偏见。语音转文字和文字转语音（StT 和 TtS）技术有可能减少这些偏见。本研究比较了使用人工面试官与使用人工智能驱动的 StT 和 TtS 技术时面试官偏见的差异。53 名消费者参与了两种情况的测试：与人工面试官进行的访谈以及使用 StT 和 TtS 技术的调查。在每种情况下，对两种甜食零食进行了评价：一种常规版本（无健康声明）和一种新的版本（相同常规产品但带有健康声明），参与者被要求选择他们更喜欢的那一种。还评估了食品消费行为。在人工访谈条件下，新版本的评分高于 StT 和 TtS 条件（p = 0.001），而常规版本的评分没有不同（p = 0.748）。在人工访谈条件下，新版本的评分更高（p = 0.021）且更受欢迎（p < 0.001），而常规版本则没有差异。而在 StT 和 TtS 条件下，这些效应未被观察到（p = 0.782 和 p = 0.492）。不同条件下的食物消费行为评分并无差异（p = 0.685）。总之，在感官研究和消费者研究中使用人类访谈者可能会导致访谈者的偏见（社会期望偏见和顺从偏见），并且由于健康声明的存在还可能会产生积极偏见。通过使用语音转文字和文字转语音技术，这些偏见是可以得到限制的。
-
评估真实/AI生成食物图片的视觉吸引力
查看原文
2024
Food Quality and Preference
中科院一区JCR一区
计算机标签
大模型与 LLM 分类/鉴别/等级评定 文本/知识库/法规数据食品标签
感官科学与消费者研究 问卷/市场与消费者研究一项旨在探究个体区分人工智能生成的食品图片与真实食品图片的能力，以及告知这一信息对消费者对这些图片吸引力感知的影响的研究报告如下。进行了两项在线实验，实验中使用了真实和人工智能生成的食品图片，涵盖了未加工、加工和超加工食品的整个范围。研究 1 的目的是评估人们识别人工智能生成食品图片的准确性，而研究 2 则探讨了告知图片来源如何影响所描绘食品的吸引力。研究 1 的参与者发现，识别人工智能生成的图片非常容易，尤其是在超加工食品的情况下。值得注意的是，在未进行披露的情况下，人工智能生成的图片往往更受青睐。然而，另一方面，告知食品图片是真实的显著提升了其吸引力，而告知其是由人工智能生成的则削弱了这种效果。这些见解有助于我们理解在不断变化的数字食品营销环境中消费者的心理状态，同时突显了人工智能图像生成技术在人类感知方面所产生的细微影响。
