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
-
食品发酵中机器学习方法在分类、动态预测与代理建模方面的关键评估
查看原文
2026
Food Research International
中科院一区JCR一区
Núria Campo-Manzanares, Artai R. Moimenta & Eva Balsa-Canto
计算机标签
支持向量机 梯度提升决策树 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 模拟与数字孪生 时序传感器/物联网数据 组学数据 多模态/融合数据食品标签
酒精饮料 过程优化与控制策略 其他过程控制与数字化研究 发酵工艺与动力学 代谢组学机器学习（ML）凭借其从海量数据中提取有效信息的能力，在食品科学领域的应用日益广泛。然而，相较于传统的基于机理的知识驱动模型，机器学习的优势尚不明确，尤其是在食品生物加工过程中常见的数据有限条件下。本研究以葡萄酒发酵为实际实验案例，通过批判性评估监督式机器学习技术（具体包括决策树、支持向量机和神经网络），并与知识驱动模型（KB）进行对比，旨在弥补这一研究空白。
我们在三项任务中对这些方法进行了评估。任务1和任务2利用发酵时间序列数据，（1）基于代谢物谱对工业酵母菌株进行分类；（2）预测发酵动态变化。任务3则聚焦于利用机器学习技术，对机理模型生成的模拟数据构建快速代理模型。
在酵母菌株分类任务中，使用所有可用代谢物数据时，我们取得了74%的最高测试准确率。在发酵动态预测方面，知识驱动模型表现优于机器学习模型，其平均归一化均方根误差约为6%。而在纳入更多数据后，机器学习模型的预测误差约为7.6%。最后，仅基于模拟机理数据训练的深度学习代理模型，在测试集上展现出极低的误差（约0.6%），优于知识驱动模型，同时将仿真时间缩短至原来的1/30。
研究结果凸显了实验设计的重要性：尽管机器学习模型在大规模多样化数据集训练下表现出色，但在数据有限或预测训练条件之外的结果时，往往表现不佳。相比之下，机理模型具有更好的泛化能力和生物学可解释性。两种方法的互补性表明，将二者结合可使复杂发酵系统的设计与控制更具稳健性且更贴合数据规律。基于这些互补优势，我们开发并验证了一种混合模型，该模型将知识驱动预测与残差神经网络相结合以修正系统误差，使整体归一化均方根误差从6%降至5%，并提升了大多数关键化合物的预测效果。 -
基于优化机器学习的多传感器融合用于贮藏库尔勒香梨新鲜度无损监测
查看原文
2026
Food Control
中科院一区JCR一区
Zhongbiao He, Jiahao Yu, Xue Zhou, Tengfei Tang, Bin Chen, Huibing Wang, Jingqi Gong, Jiashuo Shi, Xiaoshuan Zhang, & Yongman Zhao
计算机标签
深度学习 支持向量机 分类/鉴别/等级评定 多模态/融合数据 时序传感器/物联网数据食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 碳水化合物与糖类高效、无损的新鲜度监测对库尔勒香梨贮藏过程中的质量控制具有重要意义。本研究构建了融合气体组成、环境参数和介电特性的多传感器信息融合策略，并结合优化机器学习模型进行新鲜度分类。研究利用气体传感器、环境传感器和介电测量采集样品信息，同时以硬度、可溶性固形物等品质指标辅助建立新鲜度等级。研究比较了反向传播神经网络、支持向量机和随机森林模型，并采用遗传算法和粒子群优化提升模型性能。研究建立了 L1-L4 介电新鲜度等级，介电参数与硬度和可溶性固形物表现出较强相关性。采用高斯核的 PSO-SVM 模型取得最佳分类效果，准确率为 97.50%，F1 值为 97.49%，偏差较低；基于。NET 的数据采集平台进一步验证了连续监测的可行性。结果表明，多传感器融合与优化机器学习可为贮藏库尔勒香梨新鲜度无损监测提供准确、实用的方法。
-
利用光谱校正和可见/近红外光谱提升套袋“翠冠”梨可溶性固形物含量预测性能
查看原文
2026
Food Control
中科院一区JCR一区
Yiran Zhao, Qingqing Li, Changqing An, Kun Tao, Yida Yu, & Huirong Xu
计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 保藏与贮藏 过程监测与在线检测 光谱/色谱/质谱等分析方法 碳水化合物与糖类套袋是“翠冠”梨生长过程中常用的农业技术，也能在采收、运输和贮藏过程中有效保护果实。然而，在使用基于可见/近红外光谱的在线无损检测方法预测可溶性固形物含量时，果袋的遮挡效应及其材料会显著影响预测精度。因此，本研究针对套袋梨提出了一种基于偏最小二乘回归算法的光谱校正方法。该方法首先基于 Pearson 相关系数调整强度光谱权重，然后使用 PLSR 对套袋梨光谱中每个波长点进行校正。基于校正后的光谱，研究使用 PLSR 和最小二乘支持向量机建立 SSC 预测模型。此外，还使用连续投影算法和竞争性自适应重加权采样等特征波长选择算法，以提高模型准确性和效率。CARS-LSSVM 模型表现最佳，Rp2、RMSEP 和 RPD 分别为 0.814、0.284% 和 2.236。与基于原始套袋光谱的 SSC 预测模型相比，这些指标分别优化了 28.7%、25.5% 和 34.2%。本研究为果袋导致的光谱在线检测挑战提供了新解决方案，并成功实现了套袋“翠冠”梨 SSC 的可靠预测。
-
三种餐桌葡萄（阳光麝香、巨峰和亚历山大麝香）的风味分析及其基于机器学习的风味预测
查看原文
2026
Food Chemistry
中科院一区JCR一区
Jiangfei Chai, Yutao Zhang, Jing Liu, Jiahui Zhang, Haihua Zhang, Chao Ma, Yuan Liu, & Yan Ping Chen
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 质构/流变/感官数据食品标签
新鲜水果 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质餐桌葡萄是用于直接食用的，而酿酒葡萄则用于酿酒。香气显著影响餐桌葡萄的品质，并且采收时间至关重要。本研究使用感官评价和仪器分析，研究了三种餐桌葡萄（巨峰 (JF)、阳光玫瑰 (YGMG) 和亚历山大麝香葡萄 (YLSD)）在六个成熟阶段的香气特征。随着成熟度增加，JF 和 YLSD 葡萄的香气从青味和花香转向果香和甜香，而 YGMG 葡萄的甜香、果香、青香和花香则更加浓郁。还鉴定出了用于区分成熟阶段的生物标志物，例如 JF 的糠醛、柠檬醛和 (Z)-2-己烯-1-醇，YGMG 的 (Z)-3-己烯-1-醇、(E)-2-己烯醛和芳樟醇，以及 YLSD 的糠醛、3-甲基丁醛和香叶醇。基于电子鼻的机器学习实现了对风味的快速分类和预测，其中SVC模型达到最高准确率（0.9394），可能有助于质量分级。本研究为葡萄香气质量监测提供了理论基础和技术支持。
-
天然着色传统中国淀粉的形态学表征及基于机器学习的高光谱鉴定
查看原文
2026
Food Chemistry
中科院一区JCR一区
Zhiwei Wan, Chenghao Zhang, Xuewen He, Yuanwei Tang, Liangyu Xia, Xiujuan Li, Chenhua Liao, & Liping Liu
计算机标签
机器学习/统计学习 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 高光谱/多光谱光谱 可见光/RGB/视频数据食品标签
碳水化合物配料 食品安全与风险评估 其他安全问题 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类作为一种非物质文化遗产，由天然着色传统淀粉制成的食品产品由于染色淀粉掺假而面临市场信任危机。本研究旨在开发一个综合识别系统，以区分天然着色淀粉和商业作物淀粉。实验设计结合了形态学、比色法和彩色光谱分析。数据使用机器学习算法进行处理，并通过五折交叉验证评估模型性能。结果显示颗粒形态存在显著差异，平均尺寸分别为 19.86 μm（鱼腥草淀粉）、26.41 μm（姜黄淀粉）、27.29 μm（金薯淀粉）和 18.26 μm（青冈栎淀粉）。从色度学上看，天然着色的淀粉分布在紫红色、黄色和棕色区域，而商业作物淀粉则集中在白色区域。主成分分析显示，前三个主成分分别占方差的92.71%、2.32%和2.10%，累计解释了97.13%的方差。使用基于机器学习的方法，支持向量机（SVM）模型实现了完美准确率（100%），优于随机森林（94.52%）和人工神经网络（99.60%）模型。这种多技术融合系统为鉴定和保护非物质文化遗产食品提供了一种无损、高效且实用的解决方案。
