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
-
乳酸菌发酵蓝莓汁外多糖产生研究：优化、发酵特性与可见近红外光谱模型
查看原文
2024
Food Chemistry
中科院一区JCR一区
Suqun Yang, Yang Tao, Xiayidan Maimaiti, Wei Su, Xiaoli Liu, Jianzhong Zhou, & Linlin Fan
计算机标签
机器学习/统计学习 随机森林 序列到序列/编码-解码 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集食品标签
发酵食品及酱腌制品 营养与生物功能 过程控制与数字化 光谱/色谱/质谱等分析方法 传统统计分析与回归 植物化学/生物活性成分研究了蓝莓汁发酵后外多糖的产生情况。在温度26.5°C、pH值5.5、接种量5.4%和葡萄糖添加率9.1%的条件下，使用人工神经网络和遗传算法实现了外多糖产率2.2±0.1克/升（增加32.5%）。在最佳条件下，可活细胞计数和总酸度分别增加了2.0 log CFU/mL和1.6倍，而酚类和花青素含量分别减少了9.26%和7.86%。这些成分的变化影响了外多糖的生物合成。可见光近红外光谱检测到了与外多糖主要官能团相关的-羟基和-CH吸收带。基于谱系结果构建了预测模型。采用竞争性自适应加权抽样和随机森林，提升模型在R值下的预测表现C= 0.936 和 RP= 0.835，表明发酵过程中外多糖含量的良好可预测性。
-
基于脂肪酸组成和高光谱图像的机器学习鉴别食用植物油
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Jeongin Hwang, Kyeong-Ok Choi, Sungmin Jeong & Suyong Lee
计算机标签
随机森林 K-近邻 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
植物油 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸将高光谱成像分析与机器学习相结合，用于识别八种食用植物油，并将其分类性能与基于脂肪酸组成的化学方法进行了比较。此外，还利用机器学习驱动的高光谱方法对植物油中的掺假程度进行了定量研究。饱和度高的棕榈油的高光谱吸收光谱与其他液态油的光谱明显不同。亚麻籽油和橄榄油分别在1170/1671纳米和1212/1415纳米处表现出显著的高光谱强度。线性判别分析表明，两个线性判别式可以解释总变异性的很大一部分，分别占96.0%（脂肪酸组成）和98.9%（高光谱图像）。当将高光谱结果用作三种机器学习模型（决策树、随机森林和k近邻）的数据集时，发现了几例对葡萄籽油和葵花籽油分类错误的情况，而橄榄油、棕榈油和亚麻籽油则被成功识别。机器学习模型从植物油的高光谱图像中展现出了超过98.9%的优异分类性能，这在识别食用植物油方面可与基于脂肪酸组成的化学方法相媲美。此外，随机森林模型在确定二元混合油的掺假水平方面最为有效（R²＞0.992，均方根误差＜2.75）。
-
基于机器学习的高光谱成像无损验证绿咖啡豆的洲际、国家和区域来源
查看原文
2024
Food Control
中科院一区JCR一区
Joy Sim, Yash Dixit, Cushla Mcgoverin, Indrawati Oey, Russell Frew, Marlon M. Reis, & Biniam Kebede
计算机标签
偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法咖啡是产地溯源欺诈的高发目标产品，因此亟需更快速、经济且可持续的溯源技术方案。本研究首次探究近红外高光谱成像技术（HSI-NIR）结合先进机器学习模型在咖啡产地快速无损分类中的应用潜力，研究目标包括两方面：（1）明确近红外高光谱成像技术在不同产地尺度（洲际、国家、产区）下的分类灵敏度；（2）筛选具有判别意义的特征波长区间。实验采集三大洲、八个国家及 22 个产区的生咖啡豆样品，对其开展近红外高光谱成像分析，并对比偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、径向基函数支持向量机（RBF-SVM）及随机森林（Random Forest）四种机器学习模型的分类性能。结果显示，线性支持向量机模型在洲际、国家及产区三个尺度上均实现近乎精准的分类，同时还具备特征筛选的应用优势。本研究证实，近红外高光谱成像技术结合机器学习方法，可实现咖啡产地的快速无损筛查，且无需对样品进行前处理。
-
基于非靶向HPLC-UV-FLD指纹图谱和化学计量学对不同地理来源刺梨的分类
查看原文
2024
Food Control
中科院一区JCR一区
Xiao-Dong Sun, Min Zhang, Shuo Zhang, Yi-Xuan Chen, Jun-Hua Chen, Peng-Jiao Wang, & Xiu-Li Gao
计算机标签
机器学习/统计学习 偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定食品标签
新鲜水果 光谱/色谱/质谱等分析方法本研究首次提出一种基于高效液相色谱 - 紫外检测（HPLC-UV）与高效液相色谱 - 荧光检测（HPLC-FLD）技术的新型非靶向分析策略，用于鉴别中国贵州省 8 个产地的刺梨样本。研究借助 HPLC-UV-FLD 联用仪，同步采集样品的 HPLC-UV 与 HPLC-FLD 指纹图谱；随后对指纹图谱数据依次进行低层数据融合与变量降维处理，再开展化学计量学分析。基于所得指纹图谱的信号类型与数据维度差异，本研究设计并对比了四种刺梨产地分类策略。在前三种策略中，研究人员分别以三类一维指纹图谱（HPLC-UV、HPLC-FLD 及 HPLC-UV-FLD 融合图谱）为数据基础，采用偏最小二乘判别分析（PLS-DA）、主成分分析 - 线性判别分析（PCA-LDA）及随机森林（RF）三种有监督分类方法构建判别模型。此外，研究还以 HPLC-FLD 获取的二维指纹图谱为依据，建立了多维偏最小二乘判别分析（NPLS-DA）模型。对比结果显示，基于 HPLC-UV-FLD 一维融合指纹图谱的 PLS-DA 模型表现最优，其交互验证正确率、训练集正确率及测试集正确率分别达 98.8%、100% 和 96.9%。本研究首次将非靶向色谱指纹图谱技术应用于刺梨产地分类问题，为该果实的产地溯源提供了新的技术路径。
-
基于机器学习鉴定禽肉加工过程中沙门氏菌分离株应激反应基因的研究
查看原文
2024
Food Research International
中科院一区JCR一区
Edmund O. Benefo, Shraddha Karanth & Abani K. Pradhan
计算机标签
机器学习/统计学习 支持向量机 随机森林 智能手机/其他 分类/鉴别/等级评定 组学数据 中等规模数据集食品标签
禽肉 微生物安全 基因组学本研究利用全基因组测序（WGS）数据，探究了机器学习在筛选家禽加工过程中与沙门氏菌应激反应相关关键基因的应用潜力。本研究所用177株沙门氏菌分离株均采集自不同鸡肉样本（预冷却机表皮、预冷却机鸡胴体、冷冻鸡肉以及冷却后鸡胴体）。研究基于沙门氏菌全基因组测序数据，训练六种机器学习算法（随机森林、神经网络、代价敏感学习、逻辑提升算法、线性核与径向核支持向量机），并采用受试者工作特征曲线下面积（AUROC）、混淆矩阵指标等常规评估指标评价模型拟合效果。所有模型的AUROC指标均表现优异，其中逻辑提升算法综合性能最优，AUROC值达0.904，灵敏度为0.889，特异度为0.920。研究筛选出的关键基因包括编码耶尔森杆菌素相关锌转运蛋白的ybtX基因，以及编码转移酶的yccK和rhlS基因。此外，还鉴定出参与冷应激反应（cspA、cspD、cspE）与热休克反应（rpoH、rpoE）的相关基因。其余关键差异基因还涉及脂多糖生物合成（irp1、waaD、rfc、rfbX）、DNA修复与复制（tral）、生物膜形成（ccdA、fyuA）及细胞代谢（irrA）等生物学过程。
