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
-
皮肤高光谱成像与机器学习用于准确预测鱼类肌肉中的多不饱和脂肪酸含量
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Yi-Ming Cao, Yan Zhang, Qi Wang, Ran Zhao, Mingxi Hou, Shuang-Ting Yu, Kai-Kuo Wang, Ying-Jie Chen, Xiao-Qing Sun, Shijing Liu & Jiong-Tang Li
计算机标签
支持向量机 随机森林 智能手机/其他 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据食品标签
鱼肉 营养与生物功能 光谱/色谱/质谱等分析方法 脂质与脂肪酸多不饱和脂肪酸（PUFAs），尤其是二十碳五烯酸（EPA）和二十二碳六烯酸（DHA），是决定鱼类营养品质的关键因素。为了快速、无损地测定活鱼肌肉中的多不饱和脂肪酸，迫切需要一种准确的技术。本研究结合皮肤高光谱成像（HSI）和机器学习（ML）方法，对鲤鱼肌肉中的多不饱和脂肪酸含量进行了评估。在400–1000 nm光谱范围内采集了活鱼皮肤的高光谱图像。分别采用Savitzky–Golay（SG）、多元散射校正（MSC）和标准正态变量（SNV）方法对光谱数据进行预处理。应用竞争性自适应重加权采样（CARS）方法提取最佳波长。利用鱼类皮肤光谱，采用极限学习机（ELM）、随机森林（RF）、径向基函数（RBF）、反向传播（BP）和最小二乘支持向量机（LS-SVM）五种机器学习方法，对多不饱和脂肪酸及EPA + DHA含量进行预测。在经SG处理的光谱数据中，RBF模型在预测EPA + DHA和多不饱和脂肪酸含量方面表现优异，决定系数（R²P）分别为0.9914和0.9914，均方根误差（RMSE）分别为0.3352和0.3346，平均绝对误差（MAE）分别为0.2659和0.2660。最后，最优模型下的可视化分布图有助于直接测定鱼片的多不饱和脂肪酸和EPA + DHA含量。将皮肤高光谱成像与最优机器学习方法相结合，有望快速筛选出肌肉中多不饱和脂肪酸含量高的活鱼。
-
基于超声波检测和LightGBM回归预测油炸豆腐的弹性和凝聚力
查看原文
2023
Food Control
中科院一区JCR一区
Lilei Xuan, Zitao Lin, Jing Liang, Xiaowei Huang, Zhihua Li, Xinai Zhang, Xiaobo Zou, & Jiyong Shi
计算机标签
深度学习 随机森林 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 传统热加工 质构与流变测试 其他方法本研究提出一种超声检测结合机器学习算法的方法，旨在实现油炸豆腐加工过程中回弹性与内聚性的定量预测及可视化表征。研究人员对超声检测数据依次进行离散小波变换、主成分分析（PCA）降维及蒙特卡洛交叉验证（MCCV）异常值处理等预处理操作。随后，分别采用极端梯度提升（XGBoost）、随机森林（Random Forest）、轻量级梯度提升机（LightGBM）及人工神经网络（Artificial Neural Network）四种机器学习算法构建预测模型，并对比各模型的预测性能。结果表明，离散小波变换结合轻量级梯度提升机（LightGBM）的模型表现最优：其预测回弹性与内聚性的决定系数（R p2）分别达 0.969 和 0.956，预测均方根误差（RMSEP）分别为 1.81 和 2.11。该结果满足油炸豆腐质构特性的预测要求。本方法为油炸豆腐质构特性检测提供了一种新颖、快速且高效的无损技术方案，在食品工业领域具有实际应用价值。
-
多变量与机器学习分类快速蒸发电离质谱，向工业级大规模鱼类物种形成进行分类
查看原文
2023
Food Chemistry
中科院一区JCR一区
Marilyn De Graeve, Nicholas Birse, Yunhe Hong, Christopher T. Elliott, Lieselot Y. Hemeryck & Lynn Vanhaecke
计算机标签
偏最小二乘法 支持向量机 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法鱼类食品掺假的检测与防范愈发重要，亟需建立快速、高通量的鱼类物种鉴定技术。快速蒸发电离质谱技术（REIMS）已迅速成为食品原位即时分析的有力手段。本研究采用智能手术刀-快速蒸发电离质谱技术（iKnife-REIMS），对2015—2021年间共计1736份样本（涵盖17种具有商业价值的鱼类品种）进行检测分析，并结合多种多元统计方法与机器学习算法开展物种分类研究。结果表明，主成分分析-线性判别分析（PCA-LDA）、正交偏最小二乘判别分析/偏最小二乘判别分析（(O)PLS-DA）等多元模型的鉴定准确率可达92.5%~100.0%；基于随机森林（RF）和支持向量机（SVM）的分类模型准确率为88.7%~96.3%。对2022年432份独立测试样本进行实时物种识别时，多元模型的物种鉴定正确率为89.6%~99.5%，而机器学习模型表现欠佳，准确率仅为22.3%~95.1%，在白肉鱼类品种鉴定中短板尤为突出。基于上述研究结果，本研究提出一套经实时验证的建模方案，采用适用性强的主成分分析-线性判别分析（PCA-LDA）模型，可满足行业规模化、快速化鱼类物种鉴定的实际应用需求。
-
基于稳定同位素与机器学习分析非迁徙养蜂模式下不同花期和环境因素对蜂王浆鉴别的影响
查看原文
2023
Food Research International
中科院一区JCR一区
Zhaolong Liu, Xin Yin, Hongxia Li, Dong Qiao & Lanzhen Chen
计算机标签
机器学习/统计学习 随机森林 智能手机/其他 分类/鉴别/等级评定食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素蜂王浆的真实性监控至关重要，因为不同花期生产的蜂王浆品质差异显著。本研究在非迁徙养蜂模式下，旨在基于δ13C、δ15N、δ2H和δ18O并结合机器学习来鉴别油菜蜂王浆、荆条蜂王浆和芝麻蜂王浆，并评估环境影响因素。结果表明，油菜蜂王浆的δ13C、δ15N和δ18O值与其他蜂王浆存在显著差异。荆条蜂王浆和芝麻蜂王浆中的δ13C、δ2H和δ18O与温度及降水量密切相关，表明这些同位素受到日照和降雨等环境因素的影响。此外，人工神经网络模型在准确度、灵敏度和特异性方面均优于随机森林模型。本研究揭示，将稳定同位素与人工神经网络模型结合，并利用稳定同位素与环境因素之间的独特关联，可为监控蜂王浆的真实性提供有前景的思路。
-
使用闪蒸气相色谱电子鼻结合机器学习快速鉴别和定量生乳中植物油掺假
查看原文
2023
Food Control
中科院一区JCR一区
Huaixiang Tian, Di Wu, Bin Chen, Haibin Yuan, Haiyan Yu, Xinman Lou, & Chen Chen
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 时序传感器/物联网数据食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法本研究建立了一种基于闪蒸气相色谱 - 电子鼻（FGC E-nose）技术结合四种机器学习算法的生乳植物油掺假检测方法。实验通过在脱脂乳样品中添加玉米油、棕榈油（PO）、大豆油及调和油，模拟生乳掺假场景。定性分析结果显示，随机森林（RF）与支持向量机模型的检测效果优异，分类准确率分别达 1.000 和 0.9565，F1 分数分别为 0.9625 和 0.9778。在掺假生乳的棕榈油含量定量分析中，对比四种算法的预测模型性能，随机森林算法表现最优，决定系数（R2）达 0.9792，均方根误差为 0.2583。模型验证阶段，通过实际样品检测进一步证实了所提方法在生乳植物油掺假检测中的有效性。综上，闪蒸气相色谱 - 电子鼻结合机器学习技术，可作为一种快速、精准检测生乳植物油掺假的有效手段。
