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
-
基于非靶向代谢组学与机器学习方法按气候与产区鉴别绿豆
查看原文
2023
Food Control
中科院一区JCR一区
Lei He, Qian Hu, Yue Yu, Yaoxian Yu, Ning Yu, & Ying Chen
计算机标签
偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 光谱/色谱/质谱等分析方法 其他植物化学物质绿豆因兼具丰富的营养价值与生物活性功能，是我国重要的食用豆类作物。然而，不同气候带及种植产区的绿豆品质特征仍有待明确。本研究采用基于超高效液相色谱 - 四极杆飞行时间质谱（UPLC-QTOF-MS） 的非靶向代谢组学技术，结合机器学习方法，对不同气候带及种植产区的绿豆进行对比分析与产地判别。基于正交偏最小二乘判别分析（OPLS-DA） 的结果显示：在 3 个气候带的绿豆样品中鉴定出 39 种差异代谢物，在 11 个种植产区的样品中鉴定出 35 种差异代谢物。这些差异代谢物主要包括脂质类、黄酮类、大豆皂苷类、氨基酸类、多肽类、吲哚类衍生物及有机酸类物质。研究进一步构建并优化了随机森林（RF） 与支持向量机（SVM） 模型，用于不同气候带及种植产区绿豆的判别分析。结果表明，支持向量机模型的判别性能优于随机森林模型，其对绿豆气候带与种植产区的判别准确率分别达到100% 和98.72%。
本研究证实，非靶向代谢组学结合机器学习技术，可作为鉴别不同气候带及种植产区绿豆的有效手段。 -
利用差分扫描量热器结合降维分类技术，区分中国消费的特级初榨橄榄油可能掺假
查看原文
2023
Food Chemistry
中科院一区JCR一区
Kaiyuan Huang, Peihao Zhong & Baojun Xu
计算机标签
支持向量机 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定食品标签
植物油 食品安全与风险评估 其他理化与结构表征采用差示扫描量热法（DSC）研究了中国食用特级初榨橄榄油（EVOO）的热学特性；结合主成分分析（PCA）降维算法与K近邻（KNN）、支持向量机（SVM）模型，对油样是否为特级初榨橄榄油进行鉴别判定。两种模型对特级初榨橄榄油与非特级初榨橄榄油的区分准确率均达100%。此外，菜籽油因与特级初榨橄榄油的冷却曲线特征高度相似，仍难以通过鉴别检测甄别其对特级初榨橄榄油的掺假行为。向特级初榨橄榄油中分别人工掺入5%、10%、20%、30%比例的菜籽油，采集差示扫描量热法检测数据并导入机器学习模型分析。结果表明，两种模型均可有效识别掺假比例低至5%的菜籽油特级初榨橄榄油样品；其中K近邻模型准确率为93.75%，远高于支持向量机模型的43.92%。综上，差示扫描量热法结合K近邻模型分析，更适用于特级初榨橄榄油的掺假检测。
-
基于高光谱成像技术的紫鹃茶鲜叶花青素含量检测
查看原文
2023
Food Control
中科院一区JCR一区
Fushuang Dai, Jiang Shi, Chongshan Yang, Yang Li, Yan Zhao, Zhongyuan Liu, Ting An, Xiaoli Li, Peng Yan, & Chunwang Dong
计算机标签
偏最小二乘法 支持向量机 K-近邻 特征工程与选择策略 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
茶/茶饮料 其他品质相关性质 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素花青素是决定紫娟茶鲜叶色泽及感官品质的特征性物质。依靠人工视觉定性判定紫娟茶鲜叶中的花青素含量，易导致成品茶品质参差不齐。本研究采集了紫娟茶鲜叶在400~956 nm 波段的高光谱图像，分别采用 K 近邻算法（KNN）与支持向量机（SVM）模型开展鲜叶嫩度等级判别，并在主成分分析的基础上，构建偏最小二乘回归（PLSR）与支持向量机回归（SVR）模型进行定量预测。结果表明，SVM 模型的嫩度等级判别准确率优于 90%；变量组合种群分析（VCPA）及结合迭代信息变量保留法的变量组合种群分析（VCPA-IRIV）两种算法可有效简化模型结构，且模型预测决定系数均高于 0.92。针对总花青素、矢车菊素 - 3,5-O - 二葡萄糖苷、矢车菊素 - 3-O - 葡萄糖苷及矮牵牛素四类指标的最优预测模型分别为VCPA+SVR、VCPA-IRIV+SVR、VCPA-IRIV+PLSR 及 VCPA+PLSR，对应的残差预测值（RPD）分别为 3.233、2.868、3.529 和 3.298。研究通过可视化不同嫩度样品中花青素的空间分布特征，实现了总花青素含量的直观呈现。综上，本研究建立了一种快速无损的检测方法，可同步实现紫娟茶鲜叶嫩度等级划分与品质成分定量分析，为该特色色泽茶树品种的鲜叶采摘质量管控提供技术支撑。
-
通过中红外光谱结合反向传播神经网络快速定量蜂王浆质量
查看原文
2023
Food Chemistry
中科院一区JCR一区
Di Chen, Cheng Guo, Wenjing Lu, Cen Zhang & Chaogeng Xiao
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 多模态/融合数据食品标签
蜂蜜等天然糖 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸蜂王浆营养成分丰富，但其品质受储存条件影响极大。为实现蜂王浆品质的精准快速检测，本文融合常规理化指标与中红外光谱数据，采用支持向量机构建了蜂王浆定性判别模型；同时运用多种算法结合反向传播神经网络，建立了三项代表性品质指标的预测模型。研究结果表明，相较于经萨维茨基-戈莱平滑预处理的光谱数据模型（识别率95.83%），多源信息融合模型的识别率提升至100%。所建模型对水分、水溶性蛋白、总糖三项指标的均方误差分别为0.0032、0.0058、0.0069。该模型在校正集上检测精度稳定，预测相关系数分别维持在0.9353、0.9533、0.9563，可满足蜂王浆品质无损快速检测的应用需求。
-
基于高光谱成像与支持向量回归的咖啡稳定同位素与微量元素预测用于产地验证
查看原文
2023
Food Research International
中科院一区JCR一区
Joy Sim, Yash Dixit, Cushla Mcgoverin, Indrawati Oey, Russell Frew, Marlon M. Reis & Biniam Kebede
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
咖啡饮料 光谱/色谱/质谱等分析方法 矿物质与微量元素本研究首次探索了利用支持向量回归，通过快速、无损的近红外高光谱成像（HSI-NIR）预测综合稳定同位素和多元素数据集的潜力。研究使用推扫式HSI-NIR系统（700-1700 nm）分析了来自三大洲、八个国家和22个产区的特种绿咖啡豆，同时测定了五种同位素比值（δ13C、δ15N、δ18O、δ2H、δ34S）和41种微量元素。使用径向基函数核的支持向量回归模型，以HSI-NIR数据为X，地球化学标志物数据为Y进行建模。通过均方根误差、决定系数和平均绝对误差评估模型性能。三种同位素比值（δ18O、δ2H、δ34S）和八种元素（Zn、Mn、Ni、Mo、Cs、Co、Cd、La）在所有产地尺度（洲、国家、地区）上的预测决定系数（R2predicted）达到0.70 – 0.99。所有五种同位素比值在国家和区域层面均得到了良好预测。研究强调了各预测模型中贡献最大的波长区域，并讨论了所有地球化学参数之间的相关性。本研究证明了使用HSI-NIR作为一种快速、无损的方法来估计传统地球化学参数的可行性，其中一些参数是与不同产地的海拔、温度和降雨差异相关的产地判别变量。
