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
-
超声–射流耦合反应器中空化强化碳化制备纳米氧化锌：机器学习预测与遗传算法多目标优化
查看原文
2026
Ultrasonics Sonochemistry
中科院一区JCR一区
Jinyuan Guo, Honglei Yu, Dexi Wang, & Lin Fan
计算机标签
智能手机/其他 支持向量机 随机森林 梯度提升决策树 定量预测/回归分析食品标签
物理辅助加工 过程优化与控制策略 微观结构与成像 响应面分析与多因素优化纳米氧化锌因具有较高的比表面积、可调晶体结构和优良界面性能，在催化、吸附、橡胶增强及电子器件等领域具有重要应用。然而，传统碳化过程常受气–液–固传质效率低、颗粒表面形成致密“自钝化层”以及晶体生长过程中严重团聚等因素限制，难以同时提高反应产率和比表面积并减小晶粒尺寸。本研究构建了一套由20 kHz夹装式变幅杆超声振动单元与超声射流空化反应器耦合的装置，通过宏观湍流剪切和微观空化效应的多尺度协同强化，提高界面更新速率、传质效率及成核密度，从而调控碳化动力学并改善产物微观结构。基于Box–Behnken设计，系统考察超声换能器轴向距离、固液比、入口压力和射流出口高度对反应产率、BET比表面积及晶粒尺寸的影响，并利用实验数据建立BP-ANN、支持向量回归、随机森林和XGBoost模型。结果表明，XGBoost的预测性能最佳，决定系数R²为0.956。进一步将XGBoost与遗传算法耦合，建立多目标综合优化框架。获得的最佳条件为：处理时间90 min、温度80 ℃、超声功率700 W、换能器轴向距离60.26 mm、固液比5.72∶100、入口压力0.756 MPa、射流出口高度338.41 mm。实验验证所得反应产率为94.92%，比表面积为62.12 m²/g，晶粒尺寸为18.89 nm，与模型预测高度一致。量热结果显示，传递至液相的净超声功率为194.90 W，按90 min处理时间计算的净超声能量输入为1052.46 kJ。机理分析表明，超声–射流协同空化可破坏自钝化层、促进二氧化碳传质、提高成核密度并抑制二次团聚，使产物具有更高结晶度、发达的介孔结构和更窄的晶粒尺寸分布。该机器学习辅助遗传算法优化策略能够处理多变量非线性耦合问题，为高性能纳米氧化锌的绿色、可控和高效制备提供了新的技术路径。
-
基于近红外光谱与反向传播神经网络算法的苦荞粉中掺假作物粉定量分析
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Yue Yu, Yinghui Chai, Yujie Yan, Zhongyang Ren, Jiating Zhao, Zhanming Li & Lin Chen
计算机标签
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 红外/拉曼光谱数据食品标签
杂粮 食品安全与风险评估 光谱/色谱/质谱等分析方法苦荞粉因其营养价值和价格较高而备受推崇，但在市场上容易受到掺假。近红外光谱技术通常用于营养成分检测，近年来已被用于食品真实性验证。本研究收集了苦荞粉中掺入全麦粉、燕麦粉、大豆粉、大麦粉和高粱粉的样品的近红外光谱数据。利用偏最小二乘回归、支持向量回归和反向传播神经网络，我们预测了苦荞粉中的掺假物含量。结果表明，BPNN算法的预测决定系数超过0.97，预测均方根误差低于0.02，在预测掺假的作物粉方面优于PLSR和SVR模型，展现出更高的准确性和泛化能力。NIRS与BPNN的结合被证明对苦荞粉中作物粉的定量分析有效，表现出稳健的预测性能和快速的农产品掺假检测能力。
-
基于数据融合和可解释分析快速同步检测玉米中曲霉和黄曲霉毒素 B1 含量
查看原文
2026
Food Control
中科院一区JCR一区
Wenhui Jiang, Yi Zhang, Changxin Yang, Wei Liu, Changhong Liu, & Lei Zheng
计算机标签
深度学习 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
玉米 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 微生物计数与生长曲线玉米在贮藏过程中极易受到黄曲霉感染，并进一步导致黄曲霉毒素 B1 污染，对食品安全和人体健康构成严重威胁。本研究通过融合近红外光谱和电子鼻技术，开发了一种同步检测方法。研究构建了随机森林、支持向量回归和前馈神经网络模型，并引入数据融合与特征选择策略。结果表明，基于中层融合的连续投影算法-FNN 模型显著优于单一模态模型，在真菌菌落数和 AFB1 含量预测中分别取得 R2P 为 0.9595 和 0.9867、RMSEP 为 0.2408 log CFU/g 和 24.7404 μg/kg、RPD 为 4.9671 和 8.6701 的表现。重要的是，SHAP 分析的引入使深度学习模型从黑箱转变为可解释系统，揭示预测主要由底物降解和氧化应激诱导挥发物等特定生化机制驱动，从而验证了检测逻辑的科学基础。本研究为玉米品质监测提供了快速、准确且机理可解释的框架，并为未来开发便携式现场检测设备奠定了基础。
-
机器学习结合感官评价与多传感器技术评估中国市售豆瓣酱的整体品质
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Jinhui Jiang, Shuaicji Ji, Guoyang Pan, Xinyu Tao, Feiyu An, Qu Liu, Junrui Wu & Rina Wu
计算机标签
支持向量机 随机森林 K-近邻 梯度提升决策树 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据食品标签
发酵豆制品 颜色与外观品质 特征风味 感官评价与方法学 其他理化与结构表征豆瓣酱是东亚地区数千年来一种重要的调味品。然而，目前通过感官评价或传统仪器全面评估市售豆瓣酱质量的方法面临重大挑战。本研究采用现代检测技术和机器学习方法，对豆瓣酱的整体质量进行定量表征和评估。使用色差仪、电子鼻和电子舌三种传感器对33种市售豆瓣酱进行感官评价和检测。随后，基于感官评价数据，建立了包括支持向量回归、随机森林、极限梯度提升、贝叶斯岭回归、岭回归、k近邻和人工神经网络在内的机器学习模型，以表征和评估豆瓣酱的整体质量。感官评价和传感器检测的结果均表明不同豆瓣酱之间存在显著差异。可以使用这三种传感器区分不同的豆瓣酱。基于传感器数据建立的定量表征模型显示，支持向量回归模型在训练集上的决定系数最高，为0.9998，在预测集上为0.9970，接近理想值1。此外，预测集的均方根误差最低，为0.5359。这些结果表明，支持向量回归在交叉验证和测试中表现出优越的性能，与人类感官感知高度一致，从而确立了其作为最有效预测模型的地位。本研究强调了将传感器数据与现代机器学习技术相结合，以补充传统感官评价，从而实现对豆瓣酱质量的全面表征和评估的潜力。本研究的结果为推进豆瓣酱产业的发展和提升豆瓣酱质量提供了重要的见解和指导。
-
基于多光谱 NIR-FTIR-RS 数据融合与化学计量学的快速可靠人参年龄分类
查看原文
2026
LWT
中科院一区JCR一区
Songqi Ge, Shichang Li, Tianyi Xu, Jingzhen Wu, Yi Yang, Shuang Kang, Xinxin Yang, & Peng Yu
计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 多模态/融合数据 高光谱/多光谱光谱食品标签
其他果蔬制品/植物类 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 传统统计分析与回归人参广泛用于传统药物，但其品质随生长年龄差异明显，因此可靠的年龄鉴别对于保证真实性和药用价值十分重要。然而，现有形态学检查和单一光谱技术往往主观性较强或判别能力有限，亟需快速准确的替代方法。本研究将近红外光谱、傅里叶变换红外光谱和拉曼光谱与化学计量学模型相结合，包括偏最小二乘判别分析、支持向量机和灰狼优化支持向量机。研究基于单一光谱数据和多源数据融合，利用来自中国东北主产区的 226 份 1-5 年生人参样品，建立了两类定性分类模型。对于 1-5 年五分类任务，最佳模型为结合 NIR-FTIR-RS 与 SVM 的中层数据融合策略，F1 分数达到 0.87。对于区分非药用人参和药用人参，最佳模型为 FTIR-RS 低层数据融合结合 GWO-SVM，F1 分数达到 0.99。结果表明，多光谱融合结合机器学习为人参年龄真实性鉴别提供了有前景、绿色且高效的方法，在质量评估方面具有较强应用潜力，但面向广泛市场应用仍需进一步开展多区域验证。
