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
-
一种消除香榧果壳干扰、提升香榧籽内部缺陷近红外检测精度的新型光谱校正方法
查看原文
2026
Food Research International
中科院一区JCR一区
Jiajun Zan, Binyan Hou, Yuan Du, Yu Hu, Lili Son, Jiasheng Wu & Tong Sun
计算机标签
支持向量机 随机森林 梯度提升决策树 其他深度学习结构 特征工程与选择策略 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） 食品安全与风险评估 光谱/色谱/质谱等分析方法香榧果壳产生的光谱干扰会显著影响带壳香榧内部缺陷的检测，降低检测精度。针对该问题，本文提出一种结合全连接神经网络（FNN）与高斯滤波（GS）的近红外光谱校正方法，以消除果壳光谱干扰，提升黑仁缺陷检测精度。对比研究了直接校正法（DS）、分段直接校正法（PDS）以及所提FNN-GS方法的校正效果，并采用随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）构建检测模型。结果表明，DS与PDS校正效果有限，模型性能无显著提升甚至有所下降；而FNN-GS方法校正效果更优，分类精度显著提高。在预测集上，RF与SVM模型的准确率、灵敏度和特异度均达到100%；XGBoost与LightGBM模型准确率为95.83%，特异度为100%，灵敏度为91.67%。与未校正原始光谱构建的模型相比，RF和SVM模型的灵敏度分别提升16.67%和19.44%，准确率分别提升8.33%和9.72%；与仅采用果仁光谱构建的模型相比，RF和SVM模型在准确率与灵敏度上均更具优势。所提校正方法可有效去除果壳相关光谱干扰，增强缺陷相关光谱特征，实现黑仁缺陷的高精度无损检测，为利用近红外光谱技术开展其他坚果类果品内部品质检测提供参考。
-
基于机器学习的建模用于监测和预测水产品中致病微生物的检测率和严重性
查看原文
2026
International Journal of Food Microbiology
中科院一区JCR一区
Wei Mi, Yijie Kong, Yongxin Ma, Chunbo Gong, Yapeng Huo, Xueying Feng, & Sha Liu
计算机标签
支持向量机 梯度提升决策树 定量预测/回归分析食品标签
鱼肉 微生物安全 传统统计分析与回归 动力学建模水产品中的致病微生物污染对食品安全和公共健康构成持续风险。传统监测方法在动态环境条件下往往缺乏足够的敏感性和特异性。为了解决这些局限性，本研究开发了一个利用中国烟台采集的水产品样品微生物检测数据（2014-2024）构建的机器学习（ML）框架，并将2025年的数据用于外部验证。该框架能够同时预测病原体的流行率和严重程度水平。同时，探索性数据分析评估了变量分布及其与检测率的统计关联。时间序列分析识别出了显著的长期趋势和季节性模式，而空间分析揭示了行政区域间污染风险的异质性，尤其是在沿海经济区和主要港口。通过应用动态阈值优化策略，使用六种机器学习算法（ROSE-LASSO、LightGBM、XGBoost、k-NN、CART 和 SVM）预测了检测率。在优化阈值为 0.157 时，LightGBM 显示出最佳性能，特异性为 97.6%，阳性预测值（PPV）为 99.9%。外部验证确认了其稳健性，获得了 91.2% 的敏感性、92.4% 的 F1 分数以及 93.6% 的 PPV。在三类严重程度分类中，XGBoost 实现了 93.7% 的总体准确率，并对高风险样本具有较高敏感性（80.0%），AUC 为 0.989。通过将时空环境特征与自适应阈值相结合，该框架为沿海水产品供应链中的病原体风险识别提供了一种可扩展的方法，支持预警系统和基于证据的资源分配。
-
通过机器学习优化和验证空气冲击清洗参数以去除不含脂肪的脱脂奶粉在不锈钢表面的残留
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
Zhipeng Liu, Yu Liu, Sicong Tao, Woo-Ju Kim, & Long Chen
计算机标签
支持向量机 梯度提升决策树 过程控制与实时优化 中等规模数据集食品标签
乳粉 清洗/CIP/卫生相关设备 微生物安全 过敏原与毒性问题 常规理化指标测定空气喷射清洁可以在不引入水分的情况下去除食品接触表面的残留物，从而控制干食品制造环境中的过敏原交叉接触和病原体交叉污染。空气喷射的效率受以下参数影响：喷嘴直径（ND）、喷嘴高度（NH）、空气压力（AP）、水活性（a w）和残留物厚度（THK）。在本研究中，我们构建了以前实验的数据库，并结合机器学习（ML）来确定最佳清洁条件（ND、NH/ND、AP、a w和THK），这些条件可以在最短时间内从不锈钢（SS）表面去除脱脂奶粉残留物，并通过空气喷射在不锈钢表面产生最大的壁面剪切应力（WSS）。建立了响应面法和6种不同的机器学习模型（极端梯度提升、随机森林、梯度提升回归、反向传播神经网络、支持向量回归和k近邻[KNN]）。在这7种模型中，KNN模型在预测去除时间和WSS方面表现最好，具有最高的R²值和最低的均方根误差。通过机器学习模型预测的优化条件进行了实验验证；KNN模型预测值与空气冲击清洗实验值之间的最大误差在去除时间和WSS方面分别为15%和3%，这证明了模型的准确性。随着进一步的发展，机器学习模型可以帮助优化和促进空气冲击在干洗中的实际应用。
-
动态顶空挥发物-FTIR 快速检测：生姜粉合成香料掺假的定性和定量检测
查看原文
2026
Food Control
中科院一区JCR一区
Qixing Tang, Yukun Liu, Dong Wei, Yachao Liu, Leizi Jiao, Guiyan Yang, Ke Wang, Runyu Wang, & Daming Dong
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
其他果蔬制品/植物类 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质生姜粉市场掺假问题日益严重，掺假方式也越来越复杂。本研究探索了一种用于合成姜味香料中掺假物定性和定量检测的快速新方法，将动态顶空挥发物分析与傅里叶变换红外光谱相结合。研究首先采用气相色谱-质谱筛查挥发性成分，随后基于 FTIR 光谱数据建立两个模型：用于定性识别合成姜味香料类型的八分类支持向量机模型，以及用于定量预测掺假水平的偏最小二乘回归模型。结果显示，DHS-FTIR 技术结合识别模型的平均准确率达到 97.26%。与 PLSR 结合后，模型决定系数 R2 超过 94%，验证集均方根误差低于 0.0057 g。该 DHS-FTIR 技术可用于香料掺假物的快速筛查和预测。
-
使用手持拉曼光谱进行牛油果成熟度分类：通过机器学习和重采样技术解决数据不平衡问题
查看原文
2026
Food Chemistry
中科院一区JCR一区
In-Hwan Lee, Zhengao Li, & Luyao Ma
计算机标签
卷积神经网络 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 大规模数据集食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素食品浪费是一个全球性问题，部分原因是破坏性测试和不准确的目视检查导致质量错误分类。本研究开发了一种机器学习辅助的手持拉曼光谱仪，用于牛油果成熟度的无损分类。共收集了1274个拉曼光谱数据，同时进行了硬度和内部质量测量，用于模型训练。特征峰反映了成熟过程中叶绿素下降和花青素增加。二维一维卷积神经网络（1D-CNN）在原始不平衡数据集上表现优于更多层（如4层和6层）的模型，达到0.831的受试者工作特征曲线下面积（ROC-AUC）。在实际应用中，成熟度阶段的样本量通常不均衡，这对分类提出了挑战。合成少数类过采样技术改善了传统模型的性能，支持向量机和随机森林的ROC-AUC值达到≥0.786。然而，1D-CNN在原始数据集上的表现最佳。这些结果突出了快速、非破坏性、现场化的食品成熟度评估方法，为减少食品浪费提供了实用工具。
