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
-
基于小样本FT-MIR数据集的机器学习和深度学习用于绒盖牛肝菌的细粒度采样点识别
查看原文
2023
Food Research International
中科院一区JCR一区
Jian-E Dong, Jieqing Li, Honggao Liu & Yuan-Zhong Wang
计算机标签
支持向量机 随机森林 K-近邻 梯度提升决策树 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
食用菌菇 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法本研究提出了结合镉含量和环境因素识别绒盖牛肝菌采样点的必要性。基于一阶导数、二阶导数、多元散射校正、标准正态变量和Savitzky-Golay平滑预处理的傅里叶变换中红外光谱数据，构建了五种机器学习算法（朴素贝叶斯、决策树、K最近邻、随机森林、支持向量机）和三种梯度提升机算法（XGBoost、LightGBM、CatBoost）。为避免复杂的预处理，我们构建了BoletusResnet模型，首次提出了3DCOS、3DCOS投影图像、索引图像（在2DCOS之外）的概念，并将其与深度学习相结合用于分类。结果表明，梯度提升机的准确率高于传统机器学习，深度学习的准确率优于梯度提升机。本文提出的四种深度学习模型基于小样本实现了细粒度采样点识别，准确率达到100%，并在此基础上开发了一套计算机应用系统。因此，光谱图像处理结合深度学习是一种快速高效的分类方法，可广泛应用于食品鉴别领域。
-
基于正构烷烃图谱及化学计量学分析鉴别猪油与其他动物脂肪
查看原文
2023
Food Research International
中科院一区JCR一区
Nur Ain Syaqirah Sapian, Muhammad Aidilfitri Mohamad Roslan, Amalia Mohd Hashim, Mohd Nasir Mohd Desa, Murni Halim, Yanty Noorzianna Abdul Manaf & Helmi Wasoh
计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 质构/流变/感官数据食品标签
植物油 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 脂质与脂肪酸食品生产中猪油与其他脂肪和油的掺假影响着经济、宗教和健康等多个方面。以往研究主要基于脂肪的主要成分（如甘油三酯和脂肪酸）来鉴别猪油。本研究旨在通过气相色谱-质谱法建立的正构烷烃图谱来区分猪油与其他动物脂肪（牛油、鸡油和羊油）。主成分分析和层次聚类分析能够对猪油与其他动物脂肪进行初步聚类。使用随机森林和偏最小二乘判别分析获得了良好的结果。统计模型提出二十四烷（C24）作为一个潜在的正构烷烃标志物，并且发现C24是主要的烷烃，其含量占鉴定出的总烷烃的15.72%（GC-MS数据）。基于这一发现，未来可针对广大油脂消费者的兴趣，尤其是在化学计量学分析应用方面，探索更多有意义的研究。
-
利用不同机器学习模型进行统计区分，揭示了大豆叶在多酚指标代谢组学中性状和培养度上的差异
查看原文
2023
Food Chemistry
中科院一区JCR一区
Chan-Su Rha, Eun Kyu Jang, Jong Suk Lee, Ji-Sung Kim, Min-Ji Ko, Sol Lim, Gun Hwan Park & Dae-Ok Kim
计算机标签
偏最小二乘法 随机森林 其他深度学习结构 分类/鉴别/等级评定食品标签
豆类与坚果（及籽类） 光谱/色谱/质谱等分析方法 代谢组学 多酚与黄酮大豆叶片含有多种具有促健康功效的黄酮类化合物。为探究大豆的化学成分及其在不同表型、生育期和环境因子间的关联，本研究采用经过验证的质谱分离检测方法结合靶向代谢组学技术开展分析。从大豆叶片中鉴定出36种多酚类物质，包括1种香豆雌酚、5种黄酮、18种黄酮醇和12种异黄酮，其中31种完成定量检测。研究利用机器学习模型对大豆品种、豆粒颜色、生育期及种植区域进行区分，并筛选出造成上述差异的关键化合物。自助森林模型分析表明，异黄酮和黄酮醇的组成特征受生育期与种植区域影响显著。在各类机器学习模型中，神经网络模型对大豆叶片差异特征的预测能力最优。不同机器学习方法筛选出的差异多酚物质存在区别，因此在运用正交偏最小二乘判别分析等统计机器学习结果时，需保持审慎严谨的态度。
-
通过表面增强拉曼光谱（SERS）结合深度学习模型，对玉米油中微量的玉米烯酮进行无标记检测
查看原文
2023
Food Chemistry
中科院一区JCR一区
Jiaji Zhu, Xin Jiang, Yawen Rong, Wenya Wei, Shengde Wu, Tianhui Xiao & Qiansheng Chen
计算机标签
偏最小二乘法 随机森林 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 光谱/色谱/质谱等分析方法采用表面增强拉曼光谱（SERS）结合深度学习模型开展玉米油中玉米赤霉烯酮（ZEN）的检测研究。首先，合成金纳米棒作为表面增强拉曼光谱基底；其次，对采集的表面增强拉曼光谱数据进行增广处理，以提升回归模型的泛化能力；最后，构建偏最小二乘回归（PLSR）、随机森林回归（RFR）、高斯过程回归（GPR）、一维卷积神经网络（1D CNN）和二维卷积神经网络（2D CNN）共五种回归模型。实验结果表明，一维卷积神经网络与二维卷积神经网络模型的预测性能最优，其中预测集决定系数分别为0.9863、0.9872，预测集均方根误差分别为0.2267、0.2341，相对分析误差分别为6.548、6.827，检出限分别为6.81×10⁻⁴ μg/mL、7.24×10⁻⁴ μg/mL。由此可见，该研究建立的方法可为玉米油中玉米赤霉烯酮的检测提供一种超灵敏且高效的技术方案。
-
利用机器学习量化多种作物原料的技术功能特性
查看原文
2023
Current Research in Food Science
中科院一区JCR一区
Anouk Lie-Piang, Jos Hageman, Iris Vreenegoor, Kai Van Der Kolk, Suzan De Leeuw, Albert Van Der Padt & Remko Boom
计算机标签
随机森林 智能手机/其他 定量预测/回归分析 质构/流变/感官数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 质构与流变测试 其他理化与结构表征精制程度低的食品原料由多种成分组成。因此，食品的配方制定必须基于技术功能特性而非成分。我们评估了对多种作物混合原料而非单一作物原料的技术功能特性进行量化的潜力。所量化的特性包括黄豌豆和羽扇豆种子原料的凝胶性、黏度、乳液稳定性和发泡能力。我们使用样条回归、随机森林和神经网络对这些关系进行了量化。根据模型的准确性和模型预测的物理可行性来挑选合适的模型。对于每种技术功能特性，都可以建立一个用于量化两种作物原料特性的单一模型，尽管与基于单一作物的模型相比，其预测误差会更大。对每个数据集中的观测数量进行分析后发现，对于某些特性，观测数量可以减少。
