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
-
基于低场核磁共振结合化学计量学的食用油羰基值定量测定
查看原文
2024
LWT
中科院一区JCR一区
Dan Peng, Qi Zhou, Min Su, Shaoshuai Zheng, Shuli Xie, & Jun Li
计算机标签
偏最小二乘法 支持向量机 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸低场核磁共振（LF-NMR）结合化学计量学被用于快速且无损地定量测定油炸过程中油脂的羰基值（CV）。分析了油炸过程中油脂的质量指标以及其LF-NMR信号的变化，进而探讨了油脂质量指标与弛豫特征指数之间的相关性，并研究了建模数据和预处理方法对建模性能的影响。基于LF-NMR的回波衰减曲线数据和弛豫特征指数数据，通过偏最小二乘法（PLS）、主成分回归（PCR）、多元线性回归（MLR）和支持向量机回归（SVR）建立了CV预测模型。结果显示，CV与松弛特性指数之间存在显著相关性（p < 0.01），建模数据和预处理方法均会影响模型性能。非线性SVR模型的预测性能明显优于线性建模方法（PLS、PCR和MLR）。基于回波衰减曲线数据，使用SVR方法建立的CV最佳预测模型。预测的均方根误差和决定系数分别为2.599 mmol/kg和0.9873。
-
使用近红外光谱结合广义学习系统和混合波长选择策略测定枇杷的可溶性固形物含量
查看原文
2024
LWT
中科院一区JCR一区
Peng Li, Qingting Jin, Huaming Liu, Liguo Han, Chuanzong Li, & Yizhi Luo
计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类可溶性固形物含量（SSC）是评估枇杷品质的重要指标。为了实现SSC的快速、无损和准确检测，本研究开发了近红外（NIR）光谱与广义学习系统（BLS）模型的结合方法。同时，探讨了六种光谱预处理方法和六种波长选择算法对SSC预测的影响，并将BLS模型的性能与广泛使用的偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）模型进行了比较。结果表明，结合标准正态变换（SG-SNV）的Savitzky-Golay平滑提供了最佳预处理方法，而混合方法，即区间变量迭代空间收缩分析和连续投影算法（iVISSA-SPA），成为最有效的波长选择方法。BLS模型优于PLSR和LS-SVM模型。具体而言，基于iVISSA-SPA方法的BLS模型实现了最佳的SSC预测结果，R²P = 0.8646，RMSEP = 0.5104，RPD = 2.7481。因此，近红外光谱结合BLS模型和混合波长选择策略能够快速、无损且准确地检测枇杷的SSC，为果实SSC预测提供了可行的替代方案。
-
应用快速GC电子鼻与FT-NIR结合深度学习算法防止陈皮年份欺诈与质量评价
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Yuwen Qin, Qi Zhao, Dan Zhou, Yabo Shi, Haiyan Shou, Mingxuan Li, Wei Zhang & Chengxi Jiang
计算机标签
偏最小二乘法 支持向量机 K-近邻 卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据食品标签
其他果蔬制品/植物类 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法陈皮（Pericarpium citri reticulatae，PCR）是芸香科植物橘（Citrus reticulatae Blanco）及其栽培变种的干燥成熟果皮。它既可作为食物，又可作为药材，具有止咳化痰、促进消化的功效。陈皮的气味和药性会随着年份的增长而陈化，只有具备陈化价值的品种才能被称为“陈皮”。也就是说，陈皮的储存年限对其品质有很大影响。由于不同储存年限的陈皮在色泽和气味上较为相似，一些不法商家常常以低年份陈皮冒充高年份陈皮，牟取暴利。因此，我们开展了本研究，旨在建立一种快速、无损的陈皮储存年限造假鉴别方法，以保护消费者的合法权益。在本研究中，我们通过电子眼、闪蒸气相色谱电子鼻（flash GC e-nose）和傅里叶变换近红外光谱（FT-NIR）结合机器学习算法，建立了陈皮分类模型，能够快速准确地鉴别不同储存年限的陈皮。利用闪蒸气相色谱电子鼻建立了鉴别不同年份陈皮的PCR和偏最小二乘判别分析（PLS-DA）模型，并鉴定出8种气味成分，其中（+）-柠檬烯和γ-萜品烯是区分不同年份陈皮的关键成分。此外，还通过傅里叶变换近红外光谱结合机器学习算法建立了陈皮的分类和校正模型。分类模型包括支持向量机（SVM）、K近邻（KNN）、长短期记忆网络（LSTM）和卷积神经网络-长短期记忆网络（CNN-LSTM），校正模型包括偏最小二乘回归（PLSR）、LSTM和CNN-LSTM。其中，基于内囊构建的CNN-LSTM模型在分类和校正性能上显著优于其他模型。分类模型的准确率为98.21%。年份、（+）-柠檬烯和γ-萜品烯的决定系数（R²）分别为0.9912、0.9875和0.9891。这些结果表明，闪蒸气相色谱电子鼻和傅里叶变换近红外光谱结合深度学习算法能够快速准确地鉴别不同年份的陈皮，也为市场上陈皮的质量监测提供了一种有效且可靠的方法。
-
利用可见光和近红外高光谱成像探索苹果硬度的可变性和异质性
查看原文
2024
LWT
中科院一区JCR一区
Zhenjie Wang, Shasha Wu, Changzhou Zuo, Mengwei Jiang, Jin Song, Fangchen Ding, Kang Tu, Weijie Lan, & Leiqing Pan
计算机标签
支持向量机 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜水果 质构与流变性质 质构与流变测试 显微与成像技术在本研究中，探索了苹果硬度的可变性和异质性及其对基于380-1010 nm高光谱成像（HSI）所开发模型预测性能的影响。不同品种之间的差异性以及单个苹果内部的变异性都表现出硬度的显著变化。在单个苹果内部，'红富士'的赤道、'奶油富士'的萼部以及'华牛'的果梗处的硬度异质性较大，其变异系数分别为15.6%、15.4%和17.5%。此外，基于来自不同品种和空间区域的HSI光谱的最小二乘支持向量机（LS-SVM）模型在硬度预测性能上表现最佳，其校正决定系数 R c² 和预测决定系数 R p² 分别为0.85和0.81。本研究表明，苹果硬度的建模校准应特别考虑苹果在梗部、赤道部和萼部的变异性和异质性，以获得准确的硬度高光谱成像（HSI）测定结果。此外，开发苹果多品种模型对于提高硬度模型的性能具有重要意义。
-
基于短波红外成像的预处理方法与机器学习算法在干紫菜蛋白质含量测定中的创新策略
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Eunghee Kim,Jong-Jin Park,Gyuseok Lee,Jeong-Seok Cho,Seul-Ki Park,Dae-Yong Yun,Kee-Jai Park & Jeong-Ho Lim
计算机标签
支持向量机 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱食品标签
其他肉与水产品 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 蛋白质与氨基酸在本研究中，我们探究了短波红外（SWIR）高光谱成像结合竞争性自适应重加权采样（CARS）和先进回归模型在紫菜干蛋白质含量无损检测中的应用。我们利用900–1700 nm的光谱范围，旨在通过CARS选择信息丰富的波长，并应用多种预处理技术（标准正态变量[SNV]、Savitzky-Golay滤波[SG]、正交信号校正[OSC]和StandardScaler[SS]）来提高模型的准确性，从而优化质量控制流程。基于CARS选择的波长训练的SNV-OSC-StandardScaler-支持向量回归（SVR）模型显著优于其他配置，其预测决定系数（Rp²）为0.9673，预测均方根误差为0.4043，剩余预测偏差为5.533。这些结果凸显了短波红外高光谱成像作为一种快速、精确的紫菜干质量评估工具的潜力，有助于食品行业的质量控制和紫菜干市场的发展。
