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
-
牛奶-卡拉胶断裂强度和凝胶强度的化学计量学研究
查看原文
2024
Food Hydrocolloids
中科院一区JCR一区
Oksana Mykhalevych, Henrik Stapelfeldt, Federico Marini & Rasmus Bro
计算机标签
支持向量机 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据食品标签
液态乳 乳化剂/稳定剂/增稠剂 质构与流变性质 质构与流变测试 光谱/色谱/质谱等分析方法利用化学计量学和机器学习工具研究了卡拉胶分子结构和组成与其牛奶凝胶特性之间的关系。分析了κ-卡拉胶和κ/ι杂交卡拉胶类型的凝胶强度和断裂强度，这对它们在食品工业中作为胶凝和增稠剂的应用至关重要的应用至关重要。采用了四个分析平台：傅里叶变换红外光谱、核磁共振波谱、带多角度光散射检测的体积排阻色谱以及电感耦合等离子体质谱，旨在表征分子结构和组成，以预测牛奶-卡拉胶的断裂强度。应用单块和多块预测建模技术来预测功能特性，挑战了传统仅依靠单一分析平台的预测方法。在考察多块建模的过程中，特别是通过序贯正交化偏最小二乘法，研究评估了加入更多分析块所带来的附加值。虽然添加SEC-MALS和ICP-MS数据未显著改善预测模型，但这些额外数据丰富了对卡拉胶结构-功能关系的因果理解。
-
引信1H NMR和拉曼实验数据，用于改进葡萄酒识别模型
查看原文
2024
Food Chemistry
中科院一区JCR一区
Ariana Raluca Hategan, Maria David, Adrian Pirnau, Bogdan Cozar, Simona Cinta-Pinzaru, Francois Guyon, & Dana Alina Magdas
计算机标签
支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
酒精饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法本研究提出基于人工智能（AI）开发新的葡萄酒识别模型，应用于中层数据融合¹H NMR和拉曼数据。为此，采用了一种监督机器学习方法，即支持向量机（SVM），用于根据品种、年份和地理产地对葡萄酒样品进行分类。由于两者数据源之间的关联产生了高维输入空间，在SVM建模之前，采用了特征选择算法来识别每个葡萄酒分类准则中最相关的判别标记。所提数据处理策略使葡萄酒样本集在交叉验证和独立测试集上都能达到高达100%的准确率，并突出了1采用氢核磁共振和拉曼数据融合，而非使用单一来源数据区分葡萄酒品种和年份。
-
基于机器学习辅助批量拉曼光谱的酒类质量参数快速同步定量与判别分析：仪器升级与化学计量学优化的协同作用
查看原文
2024
Food Control
中科院一区JCR一区
Wenguang Liu, Xiaohong Liang, Songgui He, Zhuangwei Shi, Baoyan Cen, Wangqiao Chen, Hai Bi, & Chenhui Wang
计算机标签
机器学习/统计学习 支持向量机 主成分分析/判别分析 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
酒精饮料 品质、结构与理化性质 感官科学与消费者研究 理化与结构表征 光谱/色谱/质谱等分析方法 传统统计分析与回归本研究以商品白酒为研究对象，基于批次式拉曼光谱系统结合化学计量学方法，开展白酒两项关键品质指标 —— 酒精度及综合感官品质的快速同步检测研究。课题组自主设计的电动 12 联比色皿样品台，可实现对 34 批次标准白酒样品的稳定高效光谱采集；同时补充酒精度调控样品与综合感官不合格样品，构建两个独立数据集，用于优化和验证基于多元统计分析与机器学习的化学计量学方法。研究表明，采用主成分分析（PCA）降维结合非线性核函数支持向量回归（SVR）的方法，在酒精度预测与感官不合格样品判别任务中均表现出最优性能。扩大训练集的酒精度梯度范围后，所构建的 PCA-SVR 模型定量能力显著提升，对受试标准白酒样品的酒精度预测偏差可控制在 ±0.15% 体积分数以内。针对感官品质分级构建的 PCA-SVR 模型，对成分与标准样品相近的不合格白酒的判别平均精准度达 93%。基于仪器与化学计量学方法的协同优化，本研究所构建的机器学习辅助批次式拉曼光谱系统，为白酒生产提供了一套快速、可靠且一体化的品质管控工具。
-
机器学习辅助的比色传感器阵列用于快速识别掺假的三七粉
查看原文
2024
LWT
中科院一区JCR一区
Liangli Li, Maohua Yang, Mei Zhang, & Mingyan Jia
计算机标签
支持向量机 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
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/质谱等分析方法三七（Panax notoginseng, PN）是一种在全球广受欢迎的功能性食品，但在商业市场上掺假的三七粉现象普遍存在。在此，提出了一种结合低成本比色传感器阵列和机器学习的方法，用于快速识别和量化掺假的三七粉。我们通过创新性地使用乔布（Job）图优化传感单元，构建了一个灵敏的指示剂置换分析（IDA）传感器阵列。在通过氨基酸分析评估其识别能力后，该阵列被用于识别掺假的三七粉。在四种机器学习模型中，支持向量机（SVM）模型实现了最高的准确率，真伪识别率超过98.3%，掺假类型识别率达到99.0%.使用具有良好预测能力（R > 0.93）的支持向量机回归（SVR）模型对四种PN掺假物的混合百分比进行了进一步的定量分析。最终，我们的传感器阵列方法被应用于识别市售的PN粉末，并取得了令人满意的结果。本研究提供了一种低成本的新方法，用于快速识别PN粉末，有助于粉末食品的质量控制。
-
机器学习支持的高光谱方法，用于冷藏期间预煮面条的结构表征
查看原文
2024
Food Chemistry
中科院一区JCR一区
Hyukjin Kwon, Jeongin Hwang, Younsung Cho, & Suyong Lee
计算机标签
支持向量机 主成分分析/判别分析 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
方便面及速食米面 保藏与贮藏 光谱/色谱/质谱等分析方法 传统统计分析与回归 品质、结构与理化性质利用高光谱成像（HSI）技术结合传统分析方法，对预煮面条在冷藏储存过程中的结构特征进行了无损性表征。预煮面条在储存期间表现出更硬的质地，且水分流动受限，这主要源于淀粉的再结晶。降维技术揭示了储存时间与面条HSI吸光率之间的强强相关性，从载荷图中，可识别出与结构变化相关的面条特定峰值，波长约为1160至1400纳米。通过对四个机器学习模型对HSI数据进行训练，确认了面条HSI结果与其储存期/质地之间的强烈关联。特别是，支持向量算法在按储存时间分类预煮面条和预测面条质地方面表现出最佳预测性能（98.3%），且在预测面条质地方面表现最佳（R）2= 0.914）。
