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
-
使用机器学习方法研究具有增强健康脂肪酸的牛肉中鱼腥味的挥发性化合物指纹特征
查看原文
2024
Meat Science
中科院一区JCR一区
W. Barragán-Hernández, Ó. López-Campos, J.L. Aalhus & N. Prieto
计算机标签
偏最小二乘法 支持向量机 随机森林 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据食品标签
畜肉 特征风味 光谱/色谱/质谱等分析方法采用机器学习分类方法对具有健康增强脂肪酸谱的牛肉中鉴定出的鱼腥味进行判别。随机森林方法的表现优于逻辑回归、偏最小二乘判别分析以及支持向量机（线性和径向）方法（P < 0.001）；受试者工作特征曲线：99.8%，敏感性：99.9%，特异性：93.7%，正确分类了100%的鱼腥味肉样和82%的非鱼腥味肉样。随机森林算法识别出20种挥发性化合物，这些化合物负责区分鱼腥味和非鱼腥味肉样。其中，七种挥发性化合物（十五烷、十八烷、γ-十二内酯、十二醛、(E,E)-2,4-庚二烯醛、2-庚酮和乙苯）被选为鱼腥味指纹的重要贡献者，所有这些都与脂质氧化有关。这种鱼腥味指纹可以促进对具有增强健康脂肪酸的牛肉进行快速监测，以避免因鱼腥味导致的消费者不满。
-
基于多光谱数据融合策略的快速判别分析，用于确定特殊山药的来源
查看原文
2024
Food Chemistry
中科院一区JCR一区
Xin Gao, Wenliang Dong, Zehua Ying, Guoxiang Li, Quanxiang Cheng, Zijian Zhao, & Wenlong Li
计算机标签
支持向量机 分类/鉴别/等级评定 多模态/融合数据食品标签
其他谷物与块根 食品安全与风险评估 光谱/色谱/质谱等分析方法为了实现对河北山药的快速、准确识别，基于近红外（NIR）、中红外（MIR）以及显微拉曼光谱，并结合单个光谱和多光谱数据融合策略，构建了一个定性鉴别模型。结果表明，通过中层融合使用这三种特征光谱构建的灰狼优化器支持向量机（GWO-SVM）模型在区分山药的产地方面表现最佳，在训练集和测试集中的预测准确率均为 100.00%，F1 分数为 1.00。这些结果表明，由于光谱的互补性，NIR、MIR 和拉曼光谱结合特征级融合可以作为一种强大的、非破坏性的、快速且可行的工具，用于河北山药的地理产地分类和品牌保护。这项工作有望成为食品和制药行业产地识别分析和质量监测的一种潜在方法。
-
利用光谱视觉识别和分类茶叶中的杂质
查看原文
2024
LWT
中科院一区JCR一区
Yuchen Guo, Ziru Yu, Xiangyang Yu, Xiaoqing Wang, Yefan Cai, Weibin Hong, & Wei Cui
计算机标签
支持向量机 缺陷/异物检测与定位 高光谱/多光谱光谱 可见光/RGB/视频数据食品标签
茶/茶饮料 食品安全与风险评估 显微与成像技术从普洱茶中去除杂质是其加工中的一个重要步骤。然而，现有方法无法准确高效地对普洱茶中的杂质进行分类。本研究提出了一种基于光谱成像技术的新方法来识别普洱茶中的杂质。在400 - 1000 nm波长范围内获取了茶叶及杂质的高光谱图像。从高光谱图像中提取各类别样品的光谱，并进行了综合分析和处理，主要包括异常值检测与剔除、光谱预处理以及特征波长选择。基于全光谱数据和特征波长数据建立支持向量机（SVM）模型，以实现高光谱图像的像素级分类。结果表明，基于全光谱的最佳模型在测试数据集上的准确率达到了97.8%。基于逐次投影算法和遗传算法选择的特征波长的最佳模型的准确率分别为95.9%和94.9%。最后，将这些像素分类模型应用于测试样品，以检验模型在识别杂质方面的有效性。结果表明，这三种选定的模型能够有效识别杂质，甚至在识别不熟悉类别的杂质方面也表现良好。
-
结合拉曼光谱的Multi-AdaBoost模型快速鉴别白牡丹茶的地理来源
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Wei Pan, Wenjing Liu & Xiujuan Huang
计算机标签
支持向量机 梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法Multi-AdaBoost在光谱分析中潜力巨大，尤其当它与弱分类器结合并经过训练成为强分类器时。鉴于不同产区白牡丹茶品质存在差异，研究引入了拉曼光谱结合Multi-AdaBoost模型这一新颖方法来分析白牡丹茶的产地。首先，收集了福建省四个不同产地的白牡丹茶拉曼光谱，分别是福安（FA）、福鼎（FD）、政和（ZH）和松溪（SX）。研究采用决策树（DT）和支持向量机（SVM）作为拟合分类器，构建了Multi-AdaBoost-DT和Multi-AdaBoost-SVM模型。结果显示，与DT模型相比，Multi-AdaBoost-DT模型对FA、FD、ZH和SX产地的识别率有显著提升，平均识别率从86.46%提高到91.67%。相比之下，Multi-AdaBoost-SVM模型中FA和SX产地的识别率保持不变，这是由于该模型已达到局部最优。FD产地的识别率从91.67%提高到95.83%，提升显著；ZH产地的识别率从83.33%上升到87.50%。平均识别率从92.71%提高到94.79%。此外，Multi-AdaBoost-SVM和Multi-AdaBoost-DT还提高了判别结果的灵敏度和特异性。这些结果证实了所提出的Multi-AdaBoost-SVM模型在鉴别白牡丹茶产地方面的有效性。而且，Multi-AdaBoost模型在提高弱分类器的判别准确性方面显示出潜力，这对其在食品真伪鉴别和质量控制中的应用是个好兆头。
-
通过高光谱成像追踪开心果的起源和灌溉方式
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Raquel Martínez-Peña, Salvador Castillo-Gironés, Sara Álvarez & Sergio Vélez
计算机标签
偏最小二乘法 支持向量机 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法开心果树已成为一种重要的全球农产品，因其坚果以独特的风味和众多健康益处而闻名，这使得其在全球范围内需求旺盛。本研究探讨了高光谱成像（HSI）和机器学习（ML）在确定开心果的地理来源和灌溉方式，以及预测关键商业品质和产量参数方面的应用。该研究在西班牙的两个果园进行，采用高光谱成像技术获取光谱数据，并使用偏最小二乘（PLS）、支持向量机（SVM）和极端梯度提升（XGBoost）等机器学习模型进行分析。
结果表明，在基于产地对开心果进行分类时准确率较高，超过94%；在评估水分含量和色素方面，偏最小二乘和支持向量机模型均达到99%的准确率。研究还发现，不同灌溉处理具有不同的光谱特征，尤其是在近红外（NIR）区域，偏最小二乘模型的准确率为92%。然而，在预测果实朝向方面存在挑战，而预测果实在树中的高度位置则更为成功，这反映出更明显的光谱差异。回归模型也显示出良好前景，特别是在预测产量（偏最小二乘模型的R2=0.89）和空壳果比例（偏最小二乘模型的R2=0.71）方面。相关性分析揭示了一些关键见解，例如空壳果与产量之间存在反比关系，产量与开裂果之间存在强相关性。尽管在预测果实朝向方面存在挑战，但该研究在预测产量和商业品质因素方面显示出良好结果，表明光谱分析在优化开心果生产和可持续性方面具有有效性。
