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
-
基于电子眼、闪光气相色谱电子鼻和FT-NIR结合机器学习技术，快速评估姜黄的来源与质量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Qiang Guo, Ming-xuan Li, Rao Fu, Xin Wan, Wen-hao Dong, Chun-qin Mao, Zhen-hua Bian, De Ji, Tu-lin Lu & Yu Li
计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
香精香料 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮 其他植物化学物质咖喱中的关键成分和受欢迎的健康补充剂姜黄曾遭受掺假和虚假原产地标签。本研究采用了E-eye、Flash GC e-nose和FT-NIR，结合机器学习和多变量算法，用于对姜黄成分的起源鉴定和定量预测。结果显示E-eye在产地分类方面表现不佳，而Flash GC e-nose识别出区分不同来源的姜黄味标记，但缺乏精确量化。在用SNV处理FT-NIR光谱后，包括SVM在内的三个机器学习模型的准确率从83.3%提升到100%。此外，针对三种成分（包括姜黄素）的PLSR模型也获得了平均R2训练和预测集的值均超过0.99，展现出优异的线性和预测准确性。总体而言，研究表明FT-NIR结合多元算法为快速鉴定黄酸起源和质量评估提供了有效且可行的方法。
-
将近红外光谱与化学计量学相结合，用于豆浆煮制过程中成分的无损质量监测
查看原文
2025
LWT
中科院一区JCR一区
Xinyue Cao, Li Li, Yiwen Liu, Xianjiang Zhou, Ran Qiu, Shihui Dai, Fengqing Wang, & Xuyan Zong
计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 过程监测与在线检测 传统热加工 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸在豆浆的煮沸过程中，蛋白质和可溶性固形物（TSS）的含量会发生显著变化，这可能影响产品的质量。传统的化学检测和分析方法资源消耗大且耗时，无法满足生产需求。本研究将近红外（NIR）光谱与化学计量学相结合，开发并比较了不同的回归预测模型，用于分析豆浆煮沸过程中可溶性蛋白质和TSS含量的变化。豆浆中可溶性蛋白含量的最佳预测模型是最小二乘支持向量机（LS-SVM）模型（R²c = 0.9949，RMSEC = 0.0229，R²p = 0.9678，RMSEP = 0.0579，RPD = 3.9734）；而偏最小二乘（PLS）模型（R²c = 0.9833，RMSEC = 0.2033，R²p = 0.9732，RMSEP = 0.2777，RPD = 4.3525）在预测豆浆总可溶性固形物（TSS）含量方面表现优异。结果表明，建立的近红外光谱模型显示出以合理精度无损预测豆浆化学成分含量的潜力。本研究可为豆浆生产中的有效质量控制提供新的解决方案和思路。
-
基于机器学习的夏威夷果抗氧化肽筛选：体外实验验证与机制解析
查看原文
2025
Food Research International
中科院一区JCR一区
Weiye Jiang, Zehui Zhu, Fei Pan, Liang Zhao & Lei Zhao
计算机标签
支持向量机 梯度提升决策树 特征工程与选择策略 分类/鉴别/等级评定 设计/生成与推荐 组学数据食品标签
豆类与坚果（及籽类） 蛋白质配料 抗氧化/抗炎等功能 理化与结构表征 数值仿真 蛋白质与氨基酸氧化应激是慢性疾病发生的重要因素，推动了对有效天然抗氧化剂的需求。抗氧化肽是一种有前景的替代品，然而其传统鉴定方法费时费力且效率低下。本研究提出了一种基于机器学习的框架，以加速从夏威夷果蛋白中发掘抗氧化肽。利用ESM-2生成的序列嵌入结合十种机器学习算法，构建了针对四种抗氧化检测方法（ABTS、DPPH、ORAC、FRAP）的二分类模型，各模型预测准确率均超过92%。表现最佳的模型（如用于ABTS的XGBoost和用于DPPH的SVC）被用于筛选夏威夷果蛋白中的肽段，从而鉴定出SYLDL。体外分析显示，DPPH、FRAP和ORAC的抗氧化活性在酶解8小时后达到峰值，而ABTS活性在10小时达到最大值（68.7%）。合成了SYLDL肽，并在过氧化氢诱导的HepaRG细胞氧化应激模型中进行评估。在75 μg/mL浓度下，SYLDL处理能显著提高细胞活力和总抗氧化能力，同时降低细胞内ROS和MDA水平（p < 0.05）。与对照组相比，SYLDL还显著提高了GSH水平和CAT活性。Western blot分析证实，经SYLDL处理后，抗氧化相关蛋白HO-1、Keap1、NQO1和Nrf2的表达上调（p < 0.05）。此外，前沿分子轨道计算显示其能隙较低，与其强的电子供给能力和抗氧化活性一致。总之，这些发现支持SYLDL作为候选抗氧化肽的潜力，并展示了将基于机器学习的筛选与实验验证相结合在发掘食品源生物活性肽中的实用性。
-
利用近红外光谱与非线性化学计量工具结合APaRPs评估，定量预测超声处理下的鸡肉碎凝胶强度
查看原文
2025
Food Chemistry
中科院一区JCR一区
Huanhuan Li, Xorlali Nunekpeku, Wei Zhang, Selorm Yao-Say Solomon Adade, Waqas Ahmad, Wei Sheng & Quansheng Chen
计算机标签
机器学习/统计学习 支持向量机 梯度提升决策树 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据食品标签
禽肉 物理辅助加工 质构与流变性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸实现理想的凝胶强度是保证鸡肉糜制品获得理想质构的关键。本研究建立了一种基于近红外光谱（NIR）与非线性化学计量学建模的快速、无损检测方法，用于预测超声波处理下鸡肉糜的凝胶强度。首先，对鸡肉糜样品进行0～50分钟的高强度超声波处理，随后进行热诱导凝胶化处理。采用传统方法测定凝胶强度，并采集近红外光谱数据。通过增广偏残差图（APaRPs）验证了凝胶强度与光谱数据之间存在非线性关系。随后，基于全近红外光谱，并结合无信息变量消除法（UVE）、竞争性自适应重加权算法（CARS）、遗传算法（GA）等变量筛选方法，分别构建非线性支持向量机（SVM）与极限学习机（ELM）模型。结果表明，遗传算法对模型性能的提升效果最优，其结合极限学习机模型获得了最高的预测决定系数（Rp²=0.8772），该方法具备快速、无损预测鸡肉糜凝胶强度品质的应用潜力。
-
结合化学计量学和深度学习，利用具有金纳米颗粒基底的表面增强拉曼光谱（SERS）对绿茶中的微塑料进行检测与分类
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Rahul Joshi, Samir Adhikari, Donghan Lee & Byoung-Kwan Cho
计算机标签
偏最小二乘法 支持向量机 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
茶/茶饮料 加工污染物 其他包装相关研究 光谱/色谱/质谱等分析方法绿茶因其有益健康的特性而在全球范围内被广泛饮用，但在包装和加工过程中仍容易受到微塑料污染。聚苯乙烯（PS）和聚对苯二甲酸乙二醇酯（PET）等微塑料对人类健康和食品安全构成潜在风险，这凸显了有效检测方法的必要性。在这项研究中，采用基于金纳米颗粒基底的表面增强拉曼散射（SERS）技术，在400–1650 cm⁻¹的光谱范围内对四种绿茶粉末中的PS和PET污染进行检测和分类。为了对样本进行分类，我们比较了两种化学计量学方法——偏最小二乘判别分析（PLS-DA）和支持向量机（SVM），以及一种深度学习方法，即一维卷积神经网络（1D-CNN）。通过优化预处理，除了绿茶（Ryokucha）外，PLS-DA对所有茶叶品种都实现了完美的分类准确率（100%）。SVM也表现出较强的性能，但准确率略有下降，抹茶（Matcha）为83.89%，茉莉花茶（Jasmine）为100%，煎茶（Sencha）为93.24%。尽管1D-CNN模型的验证准确率高于SVM，抹茶为93.52%，茉莉花茶为99.91%，煎茶为94.26%，但其性能仍略低于PLS-DA模型。此外，对于来自不同绿茶品种的未知样本，SERS–PLS-DA方法再次实现了最高的验证准确率，抹茶为100%，茉莉花茶为99.80%，煎茶为96.46%，这进一步证明了该技术的巨大潜力。这些研究结果证实，基于金纳米颗粒基底的SERS技术，尤其是与PLS-DA相结合时，为绿茶中微塑料污染的快速检测和分类提供了一个高灵敏度、非破坏性且可靠的平台。
