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
-
使用可见光-近红外和傅里叶变换红外高光谱成像及机器学习技术对巧克力开花的监测与预测：关于调温和储存影响的研究
查看原文
2025
LWT
中科院一区JCR一区
Hilmi Eriklioglu, Rosario del P. Castillo, & Mecit Halil Oztop
计算机标签
机器学习/统计学习 支持向量机 K-近邻 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
巧克力及含可可制品 货架期预测与品质劣变动力学 颜色与外观品质 显微与成像技术 光谱/色谱/质谱等分析方法 脂质与脂肪酸巧克力开花是巧克力行业的主要问题之一。脂肪开花是最常见的巧克力开花类型。当开花发生时，由于不愉快的外观和不理想的质地，客户满意度会显著下降。开花的原因通常是缺乏调温或储存条件不佳。由于开花会随着时间发生，因此尤其在早期阶段很难检测。因此，有必要开发工具来监测巧克力在初期阶段的开花情况并预测开花阶段。高光谱成像是一种非破坏性的成像技术，可以揭示与物理和化学结构相关的差异。在本研究中，收集了商业巧克力样品并将其融化以生产未经调温的巧克力。所有样品都被重新模制成硬币大小的巧克力片，并在30天内拍摄了高光谱图像。结果显示，通过使用线扫描、可见-近红外超光谱相机（400 - 1000 nm），可以观察到调温巧克力、非调温巧克力以及不同储存时间之间的光谱特征差异。通过使用化学计量学方法如k近邻（KNN）、支持向量机（SVM）和人工神经网络（ANN）评估预测准确性。三种方法均显示出高性能，但使用Savitzky-Golay（SG）二阶导数预处理的神经网络正确预测了99%的样品。此外，傅里叶变换红外（FT-IR）成像证实了开花和未开花区域之间的成分变化。对获得的图像进行多变量曲线解析-交替最小二乘法（MCR-ALS）分析揭示了开花和未开花区域的显著光谱贡献，突出了与脂肪迁移相关的成分变化。高光谱成像与化学计量学的整合使得开花阶段的早期检测和监测成为可能，为实时巧克力质量控制提供了潜在的解决方案。
-
基于比色分析和机器学习预测模型对日本鲭（Scomber japonicus）进行无损新鲜度评估
查看原文
2025
Food Chemistry
中科院一区JCR一区
Du-Min Jo, Hyun-Soo Kang, Ye-Bin Jang, So-Yeon Noh, Min-Seok Kwon, Geon-Woo Park, Yeh-Chan Ahn & Young-Mog Kim
计算机标签
支持向量机 定量预测/回归分析 可见光/RGB/视频数据食品标签
鱼肉 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法新鲜度是海鲜品质的关键属性。然而，传统的评估方法既耗时又具有破坏性。本研究探索了一种无损检测方法，该方法通过对日本鲭（Scomber japonicus）的眼部、腹部和背部区域进行比色分析，并将这些变化与微生物和理化新鲜度指标相关联。在4°C和10°C的储存条件下，RGB、HSV和Lab色彩参数呈现出逐渐变暗的趋势，这与微生物数量、pH值和总挥发性盐基氮的增加相对应。研究还开发了多元线性回归（MLR）、偏最小二乘回归和支持向量回归（SVR）模型，用于基于色彩数据预测新鲜度。虽然MLR在线性指标（包括活菌计数和品质指数法）的预测方面表现良好，但SVR在非线性指标（包括pH值和总大肠菌群）的预测上更具优势。这些研究结果表明，将色彩分析与机器学习相结合有望实现海鲜新鲜度的实时、无损评估，这为其在工业质量控制系统中的应用提供了支持。
-
利用近红外光谱和化学计量对鞑靼和普通荞麦中蛋白质及总类黄酮含量的定量预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yue Yu, Yinghui Chai, Zhoutao Li, Zhanming Li, Zhongyang Ren , Hao Ding& Lin Chen
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
杂粮 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮本研究结合近红外光谱技术（NIRS）与偏最小二乘回归（PLSR）、支持向量回归（SVR）、反向传播神经网络（BPNN）等多种机器学习算法，建立了一种快速测定苦荞中总黄酮和蛋白质含量的检测方法。RAW-SPA-CV-SVR模型对苦荞和普通荞麦均表现出优异的预测精度，其黄酮含量预测决定系数较高（R2p=0.9811），预测均方根误差为0.1071，预测效果优于PLSR模型与BPNN模型。此外，MMN-SPA-PSO-SVR模型在蛋白质含量预测中表现突出，预测决定系数R2p=0.9247、预测均方根误差RMSEP=0.3906，同时也验证了MMN预处理技术在保留原始数据分布特征方面的良好效果。研究结果表明，该方法可高效应用于荞麦掺伪检测分析，也可为食品掺伪定量检测及食品品质管控新型方法的研发提供新思路。
-
基于COF-ag基底的表面增强拉曼散射（SERS）方法与机器学习相结合，被用于检测牛奶中的四环素和土霉素
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yunpeng Shang, Anqi Hu, Chaoqun Ma, Jiao Gu, Chun Zhu, Lei Li, Hui Gao, Taiqun Yang & Guoqing Chen
计算机标签
支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法四环素类抗生素因其强大的抗菌效果而备受重视，在畜牧业中被广泛使用，但也引发了人们对牛奶中存在不安全残留的担忧。本研究开发了一种基于氨基功能化共价有机框架（COF）的表面增强拉曼光谱（SERS）方法，用于检测牛奶中的痕量四环素（TTC）和土霉素（OTC）。COF材料作为选择性配体，有效减轻了牛奶基质的干扰。此外，COF与抗生素分子之间的氢键有助于拉曼信号的化学增强。该方法对TTC的检测限低至0.05 μg/L，对OTC的检测限低至0.07 μg/L。由于这些抗生素结构相似，研究采用主成分分析进行降维，并结合支持向量机分类算法，基于光谱数据实现了对抗生素的准确鉴别，分类准确率达100%。
-
通过集成多变量分析和机器学习方法推进鲜榨果汁的新鲜度分类研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jiahui Ma, Xiuli Xu, Yunhe Hong, Yun Xie, Xuesong Feng, Xiujuan Wang, Yuan Zhang & Feng Zhang
计算机标签
支持向量机 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
果蔬饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究结合超高效液相色谱-高分辨质谱（UHPLC-HRMS），采用多变量分析（MVA）和机器学习（ML）技术，通过对鲜榨苹果汁的分析来评估用于榨汁生产的苹果的新鲜度。研究共检测了代表不同新鲜度水平的八个阶段的苹果汁。包括主成分分析（PCA）和斯皮尔曼等级相关热图在内的无监督多变量分析技术，揭示了随着腐烂程度加剧，苹果汁成分发生的生化变化。新鲜样品（J1–J3）表现出相似的化学特征，聚类紧密，而腐烂阶段的样品（J6–J8）则呈现出分散状态，反映出显著的代谢变化。线性支持向量机（SVM）模型在交叉验证中达到了100%的分类准确率，在测试样品中也展现出较高的分类准确率（91.3%）。研究鉴定出15种与腐烂相关的关键生物标志物，为新鲜度区分提供了有力证据。本研究表明，多变量分析和机器学习提高了苹果汁新鲜度分类的准确性，为食品质量监测和安全保障提供了一种可靠的方法，具有潜在的应用价值。
