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
-
可解释人工智能与移动成像技术用于牛油果成熟度和内部品质的无损评估，以减少食物浪费
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
In-Hwan Lee, Zhengao Li & Luyao Ma
计算机标签
支持向量机 随机森林 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 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 大规模数据集食品标签
新鲜水果 质构与流变性质 质构与流变测试 显微与成像技术食物浪费是一项全球性挑战，其主要原因是对食品质量和剩余保质期的预测不准确。大约30%的食物浪费发生在零售和家庭层面，而传统的评估方法，如主观的视觉检查或破坏性的仪器分析，效率低下。在本研究中，我们将智能手机成像技术与深度学习相结合，用于无损预测牛油果的硬度和内部质量，旨在为更智能的消费和分配决策提供支持。牛油果因其较高的市场价值和较高的浪费率（约40%），被选为代表性的模型食品。在室温下为期8天的储存期内，使用智能手机收集了1400张牛油果图像的数据集。使用质构仪测量硬度，并将其作为成熟度指标和模型训练的真实值。为了预测成熟度，卷积神经网络残差回归（CNN ResNetR）模型实现了最高的准确率（R²=0.919），优于支持向量机回归（R²=0.818）和随机森林（R²=0.860）模型。根据行业标准，进一步将预测的硬度值映射为剩余保质期推荐。为了评估内部质量，我们开发了最先进的CNN和视觉Transformer模型，对牛油果的新鲜或腐烂状态进行分类，准确率超过84%。使用局部可解释的模型无关解释（LIME）技术获得了模型的可解释性，该技术识别了影响分类的关键图像特征。这种基于深度学习的框架提供了一种快速、可扩展且无损的解决方案，用于评估牛油果的成熟度和内部质量，有望减少食物浪费并改善供应链各环节的决策。
-
将MALDI-TOF多变质谱与机器学习整合用于分类肠球菌：监督学习算法在物种预测中的比较分析
查看原文
2025
Food Chemistry
中科院一区JCR一区
Eiseul Kim, Seung-Min Yang, Jun-Hyeok Ham, Woojung Lee, Dae-Hyun Jung & Hae-Yeong Kim
计算机标签
支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
光谱/色谱/质谱等分析方法 蛋白质与氨基酸本研究旨在区分三种肠球菌属物种在基质辅助激光解吸电离飞行时间质谱（MALDI-TOF MS）中的特异性图谱特征。研究评估并对比了四种有监督机器学习算法（K近邻算法、支持向量机、随机森林算法）对肠球菌物种的精准分类预测性能。本研究采用包含410株菌株的完整数据集，通过板上蛋白提取与板外蛋白提取两种方法，共生成1640张独立质谱图谱。商用数据库对菌株的正确鉴定率仅为76.9%，而机器学习分类模型表现出更优异的性能，准确率可达0.991。在随机森林模型中，关键特征峰对物种分类起到重要作用。全基因组测序结果表明，这些高辨识度特征峰对应的生物标志物与相关蛋白密切相关，这对于解析细菌分类及进化机制具有重要意义。将基质辅助激光解吸电离飞行时间质谱技术与机器学习相结合，可为肠球菌物种鉴定提供一种快速、精准的检测方法，助力医疗健康与食品安全领域的发展。
-
多源数据融合以实现大豆起源可追溯性：稳定同位素、元素组成与挥发性有机化合物
查看原文
2025
Food Chemistry
中科院一区JCR一区
Khushboo Soni, Russell Frew & Biniam Kebede
计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据 多模态/融合数据 小规模数据集食品标签
其他谷物与块根 矿物质与微量元素 其他植物化学物质根据欧盟《森林砍伐条例》（EUDR）的要求，确保大豆可持续的采购，需要高空间分辨率来追溯大豆的起源。应对这一挑战需要整合多种分析方法，使数据融合成为强大的解决方案。随着全球大豆需求在过去十年几乎翻倍，该行业面临食品欺诈、森林砍伐和气候变化等紧迫问题。本研究评估了四种数据融合策略——低阶、中主成分分析-随机森林（PCA-RF）、中均匀流形近似与投影-随机森林（UMAP-RF）以及高层次融合——使用来自巴西六个州的60个大豆样本数据。采用了稳定同位素分析、元素剖析和挥发性有机化合物表征等分析技术。高级数据融合实现了测试集100%的分类准确率，Mid-UMAP-RF紧随其后，达到99%，展示了数据融合在提升可追溯性和确保可持续农业实践中的作用。
-
使用紫外-可见-近红外光谱结合机器学习算法在孟加拉国对各种蜂蜜类型进行非破坏性掺假检测
查看原文
2025
LWT
中科院一区JCR一区
Md Abdullah Al Noman, Anannya Barua Nijhum, Iqbal Hossain, Md Sakibul Islam, Istiaq Mahmud Sifat, Mohammad Gulzarul Aziz, & Afzal Rahman
计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
蜂蜜等天然糖 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法蜂蜜掺假对食品安全、产品完整性和消费者信心构成了日益严峻的挑战。本研究提出了一种快速、非破坏性的方法，通过紫外-可见-近红外（UV-VIS-NIR）光谱（200 - 900 nm）结合机器学习算法--随机森林（RF）、支持向量机（SVM）以及软独立建模分类类比（SIMCA）--来鉴别蜂蜜并检测多种掺假物。在孟加拉国常见的四种蜂蜜类型（野生、黑籽、芥花、橡胶花）中，分别按梯度浓度（1%、10%、20%、30%）掺入玉米糖浆、葡萄糖糖浆和焦糖色。主成分分析（PCA）用于提取有效光谱区：350-450 nm用于植物来源分类、200-600 nm用于掺假检测、596-605 nm用于区分掺假物。在这些模型中，随机森林（RF）取得了最高的性能，其分类准确率为：植物来源100%，掺假存在99%，掺假类型100%。理化分析支持了光谱结果，尤其在颜色参数（L、a、b）方面。虽然还需要在更大且地理分布更广的数据集上进行进一步验证，但该方法显示出作为一种具有成本效益且可扩展的蜂蜜鉴定和食品欺诈检测解决方案的强大潜力。
-
利用MALDI-TOF多发性硬化症与人工智能集成，直接检测和区分哈维维菌类群，实现有效疫情管理
查看原文
2025
Food Chemistry
中科院一区JCR一区
Eiseul Kim, Dabin Kim, Yinhua Cai, Seung-Min Yang, Jaewook Kim & Hae-Yeong Kim
计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据食品标签
其他肉与水产品 微生物安全 光谱/色谱/质谱等分析方法 蛋白质与氨基酸准确识别哈维维弧菌类群对海产品安全和水产养殖病害控制至关重要。然而，现有方法显示出分类性能有限。本研究采用了人工智能辅助的基质辅助激光脱附电离-飞行时间质谱（MALDI–TOF MS）方法，利用板上蛋白提取进行直接菌落分析。在六个评估算法中，随机森林模型实现了完美准确率，显著优于仅有79.57%的商业数据库准确率。主成分分析显示，使用模型选择的前10%特征时，物种分离效果有所改善。接收机的工作特征和精度回忆曲线进一步确认了模型的鲁棒性和可推广性。关键质量峰值7194.7、3609.8和9179.6 m/z被识别为主要的区分特征。该方法为哈维伊拟氏菌分类群物种提供了快速、数据库无关的解决方案，提升了MALDI–TOF多样质谱在食品安全中的实用性，并支持其在常规质量控制中的应用。究方法是开发基于Eu/Ce-MOFs的比例荧光传感器。在AI与数字化方面，系统利用智能手机成像获取比色或荧光变化，并通过集成的机器学习算法对荧光比率信号进行处理和建模，实现了对多种四环素的定量预测。
