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
-
葡萄运输过程中包装性能评估与保鲜智能预测建模研究
查看原文
2024
Food Control
中科院一区JCR一区
Maosong Yin, Longfei Huo, Nuo Li, Hongliang Zhu, Zhiqiang Zhu & Jinyou Hu
计算机标签
支持向量机 机器学习/统计学习 超参优化/自动机器学习 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
新鲜水果 包装与智能监测 数值仿真运输过程中产生的振动不可避免地会造成葡萄的机械损伤，进而损害其新鲜度，直接影响经济价值。尽管采用适宜的包装是一种切实可行的解决手段，但目前针对包装防护效果的相关研究仍不够深入。此外，传统的果实新鲜度预测方法，无法适配不同包装方式下葡萄存在的新鲜度差异问题。为此，本研究提出一种基于多传感技术与机器学习算法的果实新鲜度预测新方法。该方法通过对包装性能开展合理评估，有效提升了果实新鲜度预测的自动化、智能化与精准化水平。研究首先运用危害分析与关键控制点法（HACCP），对葡萄供应链物流环节的关键控制点进行分析，明确了振动、温度、湿度这三项核心环境参数，以及它们与葡萄新鲜度之间的关联作用。随后，研究搭建了一套葡萄供应链环境监测平台，以此实现对瓦楞纸箱、泡沫箱、塑料箱及充气包装这四种不同包装形式下的环境监测。结合环境监测结果与理化指标，并辅以有限元分析，研究人员对各类运输包装的防护效果展开了细致的分析与评价。值得注意的是，环境数据可替代品质数据实现对葡萄新鲜度的表征，其中振动相关指标与品质指标的关联性尤为显著。基于环境监测数据，研究构建了机器学习预测模型用于葡萄新鲜度预测，支持向量机（SVM）模型的预测准确率达 92.512%，遗传算法优化人工神经网络（GA-ANN）模型的预测准确率更是达到 94.334%。这种自动化、无损化的数据采集方式，以及创新的机器学习方法，为葡萄物流环节的包装性能评价、新鲜度预测与食品品质管控，开辟了全新的技术路径。
-
结合顶空气相色谱-离子迁移谱和机器学习评估黑胡椒粉的真实性
查看原文
2024
Food Research International
中科院一区JCR一区
Carmela Zacometti, Giuseppe Sammarco, Andrea Massaro, Stephanie Lefevre, Aline Frégière-Salomon, Jean-Louis Lafeuille, Ingrid Fiordaliso Candalino, Roberto Piro, Alessandra Tata & Michele Suman
计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定食品标签
其他添加剂与配料 光谱/色谱/质谱等分析方法 其他植物化学物质目前，黑胡椒粉的真实性鉴定是一个重要问题，亟需一种快速、高灵敏度且特异的检测工具，以防止掺假批次进入食品链。为此，本研究在这项初步的概念验证中测试了顶空气相色谱-离子迁移谱（HS-GC-IMS）结合机器学习的方法。研究收集了来自八个国家和三大洲的多种真实样品，并掺入了一系列掺假物，包括内源性副产物和多种外源性物质。该方法无需样品前处理，色谱分离和离子迁移数据采集仅需20分钟。对数据进行探索性分析后，将其提交给两种不同的机器学习算法（偏最小二乘判别分析-PLS-DA 和支持向量机-SVM）。虽然PLS-DA模型的表现未能完全令人满意，但HS-GC-IMS与SVM的结合成功地将样品分类为真实、外源性掺假或内源性掺假，在两个保留测试集上的总体准确率分别达到90%和96%（置信水平95%）。在内源性掺假黑胡椒粉的正确分类方面遇到了一些局限性，预计将通过进一步研究得到缓解。操作员或数据收集的时间跨度并未对黑胡椒粉样品的正确分类产生不利影响（方法开发和模型验证由两名操作员在6个月的研究期间完成，使用的是2015年至2019年收获的黑胡椒粉）。因此，提出将HS-GC-IMS与智能工具结合，用于：(i) 在生产链中使用新批次黑胡椒粉前辅助工业决策；(ii) 减少耗时常规分析的使用；(iii) 在工业质量控制框架内增加分析的黑胡椒粉样品数量。
-
不同储存温度下生碎牛肉中大肠杆菌O157:H7生长的机器学习预测模型
查看原文
2024
Meat Science
中科院一区JCR一区
Serhat Al, Fatma Uysal Ciloglu, Aytac Akcay & Ahmet Koluman
计算机标签
支持向量机 随机森林 逻辑回归/贝叶斯 智能手机/其他 定量预测/回归分析 质构/流变/感官数据食品标签
畜肉 微生物安全 微生物计数与生长曲线产志贺毒素大肠杆菌（STEC）可能危及生命并导致重大疫情。通过在整个食品链各阶段采取控制措施，可以预防STEC相关感染。本研究针对这一问题，使用机器学习模型研究了接种混合菌株的生碎牛肉中，大肠杆菌O157:H7在不同温度下的生长情况。接种后，碎牛肉样品分别储存在4、10、20、30和37°C，并在0-96小时内进行21次重复计数以测定大肠杆菌O157的数量。采用机器学习方法（人工神经网络、随机森林、支持向量回归和多元线性回归）评估所获得的微生物数据，并进行统计比较以实现有效预测。决定系数（R²）和均方误差（MSE）是评估模型性能的两个关键标准，用于比较模型的预测值与观测值。随机森林模型在预测不同温度下大肠杆菌O157的生长性能方面表现出优越的性能，其R²为0.98，MSE为0.08。多元线性回归模型的预测值与观测值偏差较大，R²为0.66，MSE为2.7。我们的研究结果表明，机器学习方法可以预测碎牛肉中不同温度下大肠杆菌O157:H7的生长，从而帮助食品安全专业人员和法律机构主动评估污染风险并确定法律限值和标准。
-
热氧化菜籽油的理化特性研究：声学诊断技术与化学计量学结合的探讨
查看原文
2024
LWT
中科院一区JCR一区
Jing Yan, Yingling Zhang, Hui Liang, Zibin Jiao, Lifan Song, Ji Liu, Qing Zhang, Yaowen Liu, & Wen Qin
计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据食品标签
植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法本研究旨在应用超声脉冲回波系统对热氧化菜籽油进行表征。在经过60小时加热处理（165 ± 5 ◦C）后，测量了菜籽油的理化特性（密度、粘度、酸值、碘值和极性化合物）及声学特性（声速、声阻抗、第一回波的最大振幅、振幅差值及曲线下面积）。基于菜籽油的声学特性，使用支持向量机、随机森林（RF）和反向传播神经网络算法建立了粘度和极性化合物的定量预测模型。结果表明，声阻抗与粘度之间（R = 0.70）、以及声阻抗与极性化合物之间（R = 0.79）均存在显著相关性。加热处理降低了油的不饱和度，并导致氧化和聚合化合物的形成，这反过来增加了声速和阻抗，同时减少了其他三种声学特性。随机森林（RF）模型在预测粘度（R² = 0.7944）和极性化合物（R² = 0.8385）方面表现最佳。这些发现表明，超声技术不仅能够准确预测关键质量参数，还为表征热氧化菜籽油提供了一种快速、非破坏性且具有成本效益的替代传统方法。
-
利用选择离子流动管质谱和机器学习快速无损预测气调包装新鲜猪肉的微生物质量
查看原文
2024
Meat Science
中科院一区JCR一区
Linyun Chen, Lotta Kuuliala, Mariem Somrani, Christophe Walgraeve, Kristof Demeestere, Bernard De Baets & Frank Devlieghere
计算机标签
偏最小二乘法 支持向量机 K-近邻 梯度提升决策树 智能手机/其他 特征工程与选择策略 定量预测/回归分析 组学数据食品标签
畜肉 特征风味 微生物安全 光谱/色谱/质谱等分析方法 微生物计数与生长曲线利用选择离子流动管质谱可以快速、痕量地定量指示猪肉微生物腐败的挥发性有机化合物。包装气氛是影响贮藏过程中挥发性有机物产生模式的因素之一。在此基础上，机器学习将有助于处理复杂的挥发组学数据并有效预测猪肉微生物质量。本研究侧重于：(1) 基于不同的嵌套交叉验证设置研究模型的泛化能力，以及 (2) 比较九种算法的预测能力和特征重要性，包括人工神经网络、k近邻、支持向量回归、决策树、偏最小二乘回归以及四种集成学习模型。使用的数据集包含 350 个不同贮藏时间猪肉样品的 37 种 VOC 浓度和总活菌数，其中包括在三种高氧和三种低氧条件下贮藏的 225 个猪里脊样品，以及 125 个商业包装产品。选择合适的交叉验证策略产生了可信且相关的预测。当使用所有可能选择的两种高氧和两种低氧条件组合进行训练时，人工神经网络对未见过的测试场景产生了满意的 TPC 预测。当 TPC 超过约 6 log CFU/g 时，基于人工神经网络的装袋算法优于其他模型。包括苯甲醛、3-甲基-1-丁醇、乙醇和甲硫醇在内的 VOC 被识别为具有高特征重要性。这个详细的案例研究说明了实时检测技术和机器学习在肉类质量预测中的巨大前景。进一步研究处理低水平 VOC 将有助于提高模型性能和商业肉类质量控制中的决策能力。
