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 2456 条结果
-
基于化学计量学方法研究商业单甘油酯诱导的菜籽油凝胶化
查看原文
2022
Food Chemistry
中科院一区JCR一区
Aurélie Monié, Sophie Franceschi, Stéphane Balayssac, Myriam Malet-Martino, Mathieu Delample, Emile Perez & Jean-Christophe Garrigues
计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸市售富含单甘酯（MGs）的油脂胶凝剂是酰基甘油酯构成的复杂混合物，其胶凝性能随所用基础油种类与胶凝剂浓度的不同而发生变化。本研究建立了一套化学计量学方法，用以识别胶凝过程中的关键影响参数。研究采用气相色谱（GC）与核磁共振（NMR）技术对混合物中的脂肪酸及酰基甘油酯组分进行定性解析，并定义了相应分析参数；通过计算特定酰基甘油酯类群与组分比例，实现分析结果的简化归纳。为确定关键分析参数，本研究将人工神经网络应用于定量结构 - 性质关系（QSPR） 研究，关联经流变学振荡实验测定的胶凝性能参数。结果表明：低胶凝剂浓度下，富含 C16:0 的单甘酯与特征异构体比例均对储能模量G′存在正向促进作用；高浓度条件下，富含 C18:0 的酰基甘油酯与不饱和 / 饱和脂肪酸比例对G′呈正向影响。与之相反，低浓度下富含 C18:0 的酰基甘油酯对G′的提升作用较弱。
-
胚芽方向对Vis-NIR高光谱成像检测玉米籽粒真菌污染的影响：基于PLS-DA、ANN和1D-CNN模型的分析
查看原文
2022
Food Control
中科院一区JCR一区
Shekh Mukhtar Mansuri, Subir Kumar Chakraborty, Naveen Kumar Mahanti, & R. Pandiselvam
计算机标签
偏最小二乘法 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
玉米 微生物安全 光谱/色谱/质谱等分析方法玉米在收获前与收获后的真菌污染现象普遍且严重。高光谱成像（HSI）作为一种主流无损检测技术，可有效识别玉米粒的真菌污染情况，且适用于在线检测场景，已获得广泛认可。本研究通过设计对照实验，旨在探究偏最小二乘判别分析（PLS-DA）、人工神经网络（ANN）及一维卷积神经网络（1D-CNN）三种模型的检测效能，分析其在玉米粒胚部相对高光谱成像相机镜头不同朝向（光谱范围 398–1003 nm）条件下，对玉米粒真菌污染的预测能力。实验将玉米粒分为两组 —— 无菌组（G1）和黑曲霉污染组（G2），每组各 100 粒；并分别设置胚部朝上（GU）、胚部朝下（GD）、胚部随机摆放（GR） 三种放置方式采集像素级光谱数据集，基于上述数据集完成三种模型的训练。结果显示，从错误率指标来看，胚部朝上放置时模型预测性能最优，其中一维卷积神经网络模型的错误率最低，仅为 1.31%；其次为胚部随机摆放组，最优模型为人工神经网络，错误率 1.65%；胚部朝下组表现最差，最优模型同样为人工神经网络，错误率 1.95%。在模型训练集与测试集数据分布不一致的情况下，胚部随机摆放组的平均错误率最低：偏最小二乘判别分析、人工神经网络、一维卷积神经网络模型的平均错误率分别为 5.71%、4.94% 和 3.15%。本研究结果证实，高光谱成像技术结合适宜的分类模型，并对玉米粒胚部朝向进行合理设置，可实现污染籽粒与健康籽粒的精准分选。
-
整合代谢组学与多元化学计量学以发现食品功能性相关活性标志物的综合策略：以山楂果实为例
查看原文
2022
Food Chemistry
中科院一区JCR一区
Yan Cui, Kunze Du, Shixin Hou, Rui Yang, Lina Qi, Jin Li & Yanxu Chang
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据食品标签
新鲜水果 品质、结构与理化性质 代谢组学人们对天然富含营养素、且含有潜在有益健康生物活性成分的功能食品需求日益增长。本研究以野山楂（Crataegus cuneata）为研究对象，采用代谢组学与化学计量学联用的研究策略，筛选可用于区分果实功能相关生物活性的品质标志物。该联用策略可用于解析代谢过程、挖掘潜在生物活性成分，并可进一步对这些成分开展功能验证。整套研究体系可为筛选功能相关活性标志物、进而开展食品品质评价提供方法学指导。
-
基于人工神经网络的结构-味觉关系模型对苦味剂和甜味剂的预测
查看原文
2022
Food Research International
中科院一区JCR一区
Weichen Bo, Dongya Qin, Xin Zheng, Yue Wang, Botian Ding, Yinghong Li, & Guizhao Liang
计算机标签
卷积神经网络 分类/鉴别/等级评定 合成/仿真数据为主食品标签
特征风味 统计建模与仿真识别分子的味觉特性对于其在健康食品和药物中的应用拓展至关重要。通过实验识别大量化合物的味觉特性既耗时又耗材。迄今为止，计算方法已成为识别分子味觉的重要技术。在本研究中，基于卷积神经网络（CNN）、多层感知器（MLP）-描述符和MLP-指纹的三种结构-味觉关系模型用于预测苦味/非苦味、甜味剂/非甜味剂以及苦味剂/甜味剂。结果表明，这三种模型在预测苦味/非苦味、甜味剂/非甜味剂以及苦味剂/甜味剂方面各具特色。在苦味剂/非苦味剂、甜味剂/非甜味剂以及苦味剂/甜味剂的预测中，MLP-Fingerprint 模型的预测 AUC 值（分别为 0.94、0.94 和 0.95）高于 MLP-Descriptor 模型（分别为 0.94、0.84 和 0.87）和 CNN 模型（分别为 0.88、0.90 和 0.91）的外部验证结果。MLP-Descriptor 模型显示了所研究分子的明确结构-味觉关系，有助于理解与苦味剂和甜味剂相关的关键性质。CNN 模型仅需简单的二维化学图作为输入，即可实现有利预测的特征自动提取。所获得的模型实现了对苦味剂/非苦味剂、甜味剂/非甜味剂以及苦味剂和甜味剂的准确预测，为生物活性分子和有毒物质的识别提供了重要参考。
-
结合计算机视觉评分与传统肉质性状利用机器学习估算猪肌内脂肪含量
查看原文
2022
Meat Science
中科院一区JCR一区
Dong Chen, Pingxian Wu, Kai Wang, Shujie Wang, Xiang Ji, Qi Shen, Yang Yu, Xiaotian Qiu, Xu Xu, Yihui Liu & Guoqing Tang
计算机标签
梯度提升决策树 智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 中等规模数据集食品标签
畜肉 质构与流变性质 颜色与外观品质 其他品质相关性质 常规理化指标测定 显微与成像技术肌内脂肪含量（IMF%）是影响猪肉品质的重要因素。传统的测定方法（索氏抽提）准确，但样品前处理时间长。本研究利用200头猪的背最长肌共1481张照片获取计算机视觉评分（IIMF%）。随后，测定了这200头猪的实际IMF%、肉色、大理石纹评分、pH值和滴水损失。采用逐步回归（SR）和梯度提升机（GBM）构建IMF%的估算模型。结果表明，IIMF%与IMF%、大理石纹评分、背膘厚度、水分百分比（POM）和pH值之间的相关系数分别为0.68、0.64、0.48、0.45和0.25。基于残差分布的SR和GBM模型准确率分别为0.875和0.89。本研究提出了一种利用计算机视觉技术和肉质性状估算IMF%的方法。
