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 2456 条结果
-
利用便携式 SORS 设备对掺入葵花籽油的橄榄油进行多变量定量分析
查看原文
2026
Food Control
中科院一区JCR一区
G. Jiménez-Hernández, A. González-Casado, F. Ortega-Gavilán, J. García-Mena, & M.G. Bagur-González
计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据 合成/仿真数据为主食品标签
植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法特级初榨和初榨橄榄油掺入低成本葵花籽油是重要的真实性和质量控制问题。本研究评估了基于空间偏移拉曼光谱（SORS）的便携式分析仪，利用多变量回归定量 EVOO/SFO 和 VOO/SFO 二元混合油。研究制备了两个混合油样本库：第一个覆盖 100%-20% 初榨橄榄油水平，用于校准和验证；第二个覆盖 98%-82% 初榨橄榄油水平，用于测试低浓度葵花籽油掺假。归一化空间分辨拉曼指纹通过 PLS-R 建模。模型预测初榨橄榄油含量的 RMSEP 为 4.96%，偏差接近 0，SEP 约为 4.56%-5%，并可检测低于 2% 的掺假油。相似性分析还表明，通过原始绿色 PET 瓶测得的光谱与玻璃小瓶测量高度相似，支持不开瓶直接检测。该方法为流通和零售环节橄榄油真实性监测提供了快速、无损和可持续工具。
-
未成熟香蕉粉食品欺诈评估的耦合模型：基于 XGBoost 的增强预测与 SHAP 变量重要性分析
查看原文
2026
Food Control
中科院一区JCR一区
Paulo H.C. Simões, Alessandro M.B. Martins, Marcio F. Oliveira, Julio Cesar Siqueira, Aderval S. Luna, & Licarion Pinto
计算机标签
偏最小二乘法 梯度提升决策树 定量预测/回归分析 可见光/RGB/视频数据食品标签
小麦 玉米 食品安全与风险评估 其他安全问题 显微与成像技术 常规理化指标测定本研究提出一种结合极端梯度提升和 SHAP 的化学计量策略，用于检测并定量未成熟香蕉粉中的掺假。研究使用真实样品及掺入燕麦、小麦和玉米的掺假样品数字图像颜色直方图，构建三步耦合模型：二分类模型准确率为 0.9957，多分类模型准确率为 0.9931，回归模型 RMSEP 为 0.0182-0.0297。与 PLS、MLR、PLS-DA 和 LDA 等经典模型相比，XGBoost 具有更高准确率、更宽线性范围和更强稳健性。除 XGBoost 模型外，SHAP 值通过突出关键颜色通道提供模型可解释性，为可视化 XGBoost 模型变量重要性提供了可行策略。与传统方法不同，XGBoost 只需极少预处理，并可在统一框架中整合分类和回归。结果表明，机器学习与可解释人工智能结合在质量控制和食品欺诈检测中具有应用潜力。
-
近红外、中红外和拉曼光谱特征信息融合策略用于巴基斯坦大米多酚的多变量定量分析
查看原文
2026
Food Control
中科院一区JCR一区
Muhammad Arslan, Muhammad Zareef, Haroon Elrasheid Tahir, Muhammad Arslan, Allah Rakha, & Zou Xiaobo
计算机标签
偏最小二乘法 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
大米 营养与生物功能 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮多酚是大米中的重要生物活性化合物，但传统比色测定方法耗时且操作繁琐。本研究开发了融合近红外、中红外和拉曼光谱的光谱分析系统，并采用低层级和中层级数据融合策略，对巴基斯坦大米多酚进行多变量预测。研究采集了巴基斯坦旁遮普省主要产区的 8 个大米品种，共 81 个样品，并划分为 54 个校准样品和 27 个预测样品。总多酚参考值采用 Folin-Ciocalteu 方法测定，随后基于单一传感器和融合光谱数据建立 PLS 回归模型。低层级融合模型预测 Rp 为 0.9128-0.9220，RMSEP 为 2.31-2.69 mg GAE/100 g，RPD 为 2.39-2.78；中层级融合模型 Rp 为 0.9013-0.9224，RMSEP 为 2.24-2.79，RPD 为 2.30-2.87。其中 NIRS-RS 中层级融合模型表现最佳，Rp 为 0.9224，RMSEP 为 2.24，RPD 为 2.87。结果支持利用光谱特征融合对大米多酚进行快速、可靠监测。
-
机器学习用于理解不同欧洲奶牛农场中农场管理措施与牛奶脂肪酸之间的关系
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
A. Mouhanna, L. Rey-Cadilhac, M. Berton, R. Eppenstein, M. Gelé, G. Plesch, B. Martin, E. Kowalski, S. Heirbaut, & S. De Smet
计算机标签
随机森林 模型可解释性 定量预测/回归分析 中等规模数据集食品标签
液态乳 营养与生物功能 脂质与脂肪酸牛奶脂肪酸（FA）组成是农场管理和乳制品营养质量的指标。很少有研究通过经过验证的机器学习工作流程，将多国、多样化的观察性农场数据与牛奶脂肪酸的变化联系起来。我们调查了代表广泛生产强度梯度的75个欧洲农场，对季节性合并的散装牛奶样品进行了12种脂肪酸性状的分析，并检查了29项管理实践。一种两阶段的工作流程结合了优化的随机森林（RF）来预测脂肪酸及对管理实践进行排序，并使用条件推断树来可视化管理的协同效应和权衡。RF模型在8个性状上实现了高预测准确性（R² ≥ 0.50）：α-亚麻酸、二十碳五烯酸、二十二碳五烯酸、共轭亚油酸（CLA）、n-6:n-3多不饱和脂肪酸比率、亚油酸、油酸（VA）和支链脂肪酸（BCFA）。条件推断树模型在除VA和BCFA之外的所有性状上具有相当的准确性（R² ≥ 0.50）。在所有模型中，新鲜草料摄入量、玉米青贮和浓缩饲料使用量、存栏量、牧场规模、奶产量以及矿物肥料是主要驱动因素，共同解释了模型中大部分方差。采用低投入、基于牧场策略的农场通常与奶中较低的n-6:n-3多不饱和脂肪酸比值和较高的n-3多不饱和脂肪酸、共轭亚油酸（CLA）及支链脂肪酸（BCFA）相关，强调了生产强度与营养质量之间的协同效应及权衡。虽然这一特征与有利的健康结果相关，并有助于满足膳食推荐，但仍需进一步针对性验证，以确认其在不同乳制品生产背景下的普遍性和适应性。
-
利用深度学习、逻辑回归和计算机断层扫描进行鸡肝和鸡心不健康器官的宰后检测
查看原文
2026
Food Control
中科院一区JCR一区
Kacper Libera, Effrosyni Kritsi, Dirk Schut, Louis van Steijn, Lourens Heres, & Len Lipman
计算机标签
深度学习 逻辑回归/贝叶斯 定量预测/回归分析 可见光/RGB/视频数据食品标签
内脏及副产物 食品安全与风险评估在禽类屠宰场宰后检验中，鸡肝和鸡心等病变器官经常被发现。由于这些器官不适合人类食用，准确识别并剔除它们至关重要。当前检验方法主要依赖人工视觉检查，但该过程存在主观性和时间压力等限制，会影响可靠性，因此有必要探索新技术。计算机断层扫描能够检测病理改变的器官组织，因为病变会改变器官的放射密度。因此，本研究旨在比较健康和病变鸡心、鸡肝之间的放射密度差异，并开发不同分类器识别病变器官。研究从屠宰场采集了 264 个鸡心和 252 个鸡肝，包括健康和病变样本，并在兽医诊所对所有器官进行 CT 扫描。研究建立了两个逻辑回归模型（用于鸡心和鸡肝）以及四个深度学习模型，包括深层和浅层神经网络，用于器官分类。鸡心深度学习模型的准确率（浅层神经网络 0.91，深层神经网络 0.92）优于逻辑回归模型（0.82）。鸡肝模型之间准确率差异不大，浅层神经网络为 0.78，深层神经网络为 0.75，逻辑回归为 0.79。本研究证实，结合逻辑回归或深度学习模型的 CT 扫描可自动、准确地检测病变鸡心和鸡肝。总体而言，CT 扫描有潜力提高禽类可食内脏安全性，并优化屠宰场工作流程。
