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 339 条结果
-
机器学习在食品风味预测与调控中的最新进展与应用
查看原文
2023
Trends in Food Science & Technology
中科院一区JCR一区
Huizhuo Ji, Dandan Pu, Wenjing Yan, Qingchuan Zhang, Min Zuo & Yuyu Zhang
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据食品标签
品质、结构与理化性质 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法背景：食品风味是影响感官品质的关键因素。预测和调控风味可形成独特的风味特性，提高消费者偏好和食品可接受性。通过传统实验方法评估和调控风味耗时耗力，且无法处理大量数据。机器学习等计算方法能够准确高效地预测和调控复杂风味，因而持续受到关注。
范围与方法：本综述介绍了常用机器学习方法的原理和优势，包括支持向量机、决策树、随机森林、k-近邻算法、极限学习机、人工神经网络和深度学习，以及它们在食品风味预测与调控中的最新应用与前景。重点总结了基于分子结构、理化性质以及电子鼻、电子舌和气相色谱-质谱数据进行的食品风味预测。同时回顾了机器学习通过代谢物和基因对食品风味的调控。
主要发现与结论：与单一模型相比，多种机器学习方法的联合使用可提高风味轮廓、感知强度和感官品质分类的预测准确性。此外，不同技术的数据融合比单一数据输入表现出更好的风味预测性能。本综述表明，机器学习技术在预测风味形成机制、结构-风味质量的剂量效应以及指导理想风味化合物的生物/化学合成方面前景广阔，有助于满足消费者对健康美味食品的需求。 -
一种基于深度学习的猪肉偏好预测框架
查看原文
2023
Current Research in Food Science
中科院一区JCR一区
Eunyoung Ko, Kyungchang Jeong, Hongseok Oh, Yunhwan Park, Jungseok Choi & Euijong Lee
计算机标签
深度学习 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据食品标签
畜肉 消费者偏好与接受度 其他理化与结构表征过去几年，韩国的人均肉类消费量稳步增长，预计还将继续增加。高达69.5%的韩国人每周至少吃一次猪肉。考虑到韩国生产和进口的猪肉相关产品，韩国消费者对五花肉等高脂肪部位的偏好度很高。根据消费者需求管理国产和进口肉类的高脂肪部位已成为一个竞争因素。因此，本研究提出了一个基于深度学习的框架，利用超声波设备根据猪肉的特征信息来预测消费者对猪肉风味和外观的偏好评分。这些特征信息是通过超声波设备（AutoFom III）收集的。随后，根据测量到的信息，长期直接调查消费者对风味和外观的偏好，并使用深度学习方法进行预测。我们首次应用了基于深度神经网络的集成技术，根据测量到的猪胴体来预测消费者的偏好评分。为了证明所提框架的有效性，我们利用关于五花肉偏好的调查和数据进行了实证评估。实验结果表明，预测的偏好评分与五花肉的特征之间存在很强的相关性。
-
深度学习推动了从大豆蛋白分离物中高效发现新型降压肽
查看原文
2023
Food Chemistry
中科院一区JCR一区
Yiyun Zhang, Zijian Dai, Xinjie Zhao, Changyu Chen, Siqi Li, Yantong Meng, Zhuoma Suonan, Yuge Sun, Qun Shen, Liyang Wang & Yong Xue
计算机标签
深度学习 分类/鉴别/等级评定食品标签
豆类与坚果（及籽类） 其他体外模型 蛋白质与氨基酸食源性降压肽作为降压药物极具潜力且有效的替代物，近年来受到科研学者的广泛关注。然而，传统的降压肽筛选方法成本高昂、操作繁琐，严重制约了新型可用降压肽的挖掘与研发。本研究采用一种名为ProtBERT的蛋白质专用深度学习模型开展降压肽筛选研究。相较于其他深度学习模型，ProtBERT模型的受试者工作特征曲线下面积（AUC）最高，达0.9785。此外，研究利用ProtBERT从大豆分离蛋白（SPI）中筛选候选肽段，经分子对接与体外活性验证后，最终发现肽段LVPFGW（半数抑制浓度IC50 = 20.63微摩尔/升）、VSFPVL（2.57微摩尔/升）以及VLPF（5.78微摩尔/升）均具备良好的降压活性。以ProtBERT为代表的深度学习技术，将成为降压肽快速筛选与鉴定的有效工具。
-
利用人工智能简化绝热压缩加热预测：人工神经网络与传统数值方法的比较
查看原文
2023
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Kai Knoerzer
计算机标签
深度学习 过程控制与实时优化食品标签
非热加工技术 过程优化与控制策略本研究对人工神经网络（ANNs）在预测高压加工（HPP）和高压热加工（HPTP）中绝热压缩加热的应用进行了全面评估。人工神经网络与实验数据以及先前开发方法预测的数据进行了深入比较。先前的方法使用数值方法从实验数据中提取相关的材料特性，然后通过求解常微分方程将其用于压缩加热预测。新研究展示了人工神经网络在准确预测压缩加热效应方面的效能。结果表明，人工神经网络为绝热加热建模提供了一种稳健、灵活且高效的方法，对HPTP工艺的设计和优化具有重要意义。该研究强调了人工智能在推进食品保鲜技术方面的变革潜力。
-
利用高光谱成像技术对鸡蛋进行实时缺陷与新鲜度检测
查看原文
2023
Food Control
中科院一区JCR一区
Shih-Yu Chen, Shih-Hsun Hsu, Chih-Yi Ko, & Kai-Hsun Hsu
计算机标签
深度学习 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
蛋类及其制品 食品安全与风险评估 光谱/色谱/质谱等分析方法鸡蛋既是烹饪常用原料，也是一类常见农产品。其富含油脂、蛋白质、维生素等多种营养成分，对人体健康有益。但在清洗和分选工序前后，蛋壳表面残留污物或出现破损等问题，均会影响鸡蛋品质。传统鸡蛋缺陷检测以人工方式为主，该方式不仅劳动强度大，还易因人员疲劳产生检测误差，导致产品质量参差不齐。本研究从工厂生产线与消费者双重视角出发，研发了鸡蛋高光谱缺陷检测技术（HEDIT）与鸡蛋高光谱新鲜度检测技术（HEFIT）。上述两种技术将特征波段筛选方法与深度神经网络（DNN）、一维卷积神经网络（1D-CNN）、二维卷积神经网络（2D-CNN）、三维卷积神经网络（3D-CNN）及轻量化网络 MobileNet 相结合，基于高光谱成像技术（HSI）实现鸡蛋品质的实时检测。实验中，研究人员共测试 1000 枚新鲜鸡蛋样品与 800 枚缺陷鸡蛋样品。结果显示，所提方法对鸡蛋新鲜度的检测总准确率达 99%，对缺陷鸡蛋的检测总准确率达 100%；在缺陷检测任务中，单枚鸡蛋检测耗时仅 31 毫秒，且检测总准确率仍保持在 95%，实现了检测精度与分选效率的兼顾。本研究结果可为智能化鸡蛋生产的后续应用与商业化落地提供技术支撑。
