01 / 01

类目筛选(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

深度筛选(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

标签记录(食品学者)

清除全部筛选
暂无筛选

标签记录(计算机学者)

随机森林

共 276 条结果

  • 利用指示剂染料和机器学习对蔬菜中细菌污染进行高效的纸基比色检测

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Snehanjan Acharyya, Bipasha Sarkar, Lekhashree L.K. & Soumyo Mukherji

    食品标签

    新鲜蔬菜 微生物安全 光谱/色谱/质谱等分析方法 其他特殊成分

    计算机标签

    随机森林 分类/鉴别/等级评定 可见光/RGB/视频数据

    细菌导致的食品污染及其引发的腐败问题在供应链中一直存在,这造成了大量浪费和经济损失。同样,由于不良或不卫生的农业操作及分销方式,蔬菜也容易受到微生物污染。本研究报道了一种简单、经济、无损、非接触且可连续检测细菌的方法。研究采用比色法,利用对pH敏感的指示染料制作了纸质传感器。这些传感器在接触到细菌菌株释放的挥发性有机化合物(VOCs)时,会发生明显的颜色变化。这种pH值/颜色变化取决于指示分子在与挥发性有机化合物相互作用过程中的去质子化和结构重组。该传感器成功检测出了蔬菜中的细菌污染,并能够对相关的腐败程度进行评估。研究人员将记录到的颜色转换为RGB值,并结合随机森林分类器,对受污染样本进行了精准区分。研究结果凸显了该方法在食品供应链中实现细菌污染实时、自动化检测的可行性,且该方法具有更好的可及性和高通量。

  • 利用低成本多通道光谱传感器结合机器学习快速识别咖啡种类与产地

    2025
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Diang Sagita, Slamet Widodo, Sutrisno Suro Mardjan, Pradeka Brilyan Purwandoko, Suparlan, Hari Hariadi & Sandi Darniadi

    食品标签

    咖啡饮料 品质、结构与理化性质 统计建模与仿真 光谱/色谱/质谱等分析方法

    计算机标签

    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 红外/拉曼光谱数据

    咖啡种类与产地的快速识别对于确保咖啡行业的质量控制与真实性至关重要。本研究探索使用低成本多通道光谱传感器AS7265X(410–940 nm)结合机器学习技术,以实现快速、无损的咖啡种类与产地准确分类。光谱数据通过三种LED配置收集:原始的18个光谱波段,以及通过配置LED发射器将数据扩展为24和30个光谱特征的两种附加配置。咖啡样本包括两个种类(阿拉比卡和罗布斯塔),源自印度尼西亚四个不同产地:弗洛雷斯阿拉比卡(AF)、迦约阿拉比卡(AG)、丹比特罗布斯塔(RD)和淡满光罗布斯塔(RT)。研究采用了四种机器学习算法,即线性判别分析(LDA)、人工神经网络(ANN)、随机森林(RF)和支持向量机(SVM),并通过交叉验证技术进行超参数调优。此外,对每个咖啡豆样本随机进行了理化分析,并采用主成分分析(PCA)作为数据的探索性分析。研究结果表明,使用LDA算法在24和30个光谱特征下,咖啡种类识别达到了100%的完美准确率。对于咖啡产地识别,使用24个原始光谱特征的LDA算法获得了0.917的最高验证准确率。此外,研究应用了多种数据预处理方法并评估了它们对分类性能的影响,但所有预处理均未对分类性能带来任何提升。结果强调了AS7265X传感器结合LDA在可靠、快速咖啡种类识别方面的有效性。此外,该方法为咖啡产地识别提供了一种有前景、高性价比的解决方案,有助于增强咖啡行业的质量控制流程。

  • 机器学习结合GC-FID用于鉴别不同类别酱香型白酒

    2025
    Food Chemistry: X
    中科院一区
    JCR一区
    查看原文

    Liang Yang, Chun Xian, Shuai Li, Ye Wang, Xinying Wu, Qingcai Chen, Wenwu Zhao, Cheng Zhao, Xiaobo Li, Junjun He, Renyuan Chen & Chunlin Zhang

    食品标签

    酒精饮料 特征风味 光谱/色谱/质谱等分析方法

    计算机标签

    随机森林 梯度提升决策树 智能手机/其他 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据

    酱香型白酒是一种通过固态发酵生产的中国传统酒类,由于发酵轮次、风格和等级的不同,其基酒类型多种多样。虽然人工识别方法对风味的复杂性至关重要,但当前的人工识别方法阻碍了勾调效率和质量控制。本研究采用气相色谱-氢火焰离子化检测器(GC-FID)和机器学习对410份基酒样品进行了分析。结果显示,决策树(74.36%)、极端梯度提升(XGBoost,92.9%)和随机森林(62.3%)分别是用于发酵轮次、典型风格和春天等级分类的最佳分类器。SHAP分析揭示:(1)酯类是发酵轮次的主要标志物;(2)酯类与三甲基丁醇的组合可用于等级区分;(3)多种化合物特征(丁酸、四甲基吡嗪、2-丁醇等)可用于风格鉴别。值得注意的是,标志物化合物的风味特性——而非仅仅是浓度——对其鉴别能力有重要影响,这一点从与九个感官维度的相关性中得到了证明。

  • 利用机器学习预测环境条件与海水及牡蛎中弧菌浓度的关系

    2024
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Shuyi Feng, Shraddha Karanth, Esam Almuhaideb, Salina Parveen & Abani K. Pradhan

    食品标签

    软体与贝类 食品安全与风险评估

    计算机标签

    深度学习 支持向量机 随机森林 K-近邻 梯度提升决策树 定量预测/回归分析

    副溶血弧菌和创伤弧菌是对公众健康有重大影响的细菌。识别影响它们在食品源中存在和浓度的因素,有助于确定重要的风险因素并预防食源性疾病的发生。近年来,机器学习在基于主要外部和内部变量(如环境变量和基因存在/缺失)模拟微生物存在方面显示出潜力,特别是在大量和多样化数据来源产生和可用的背景下。此类分析可用于预测食品系统中微生物的行为,尤其是在环境变量持续变化的影响下。在本研究中,我们测试了六种机器学习回归模型(随机森林、支持向量机、弹性网络、神经网络、K最近邻和极端梯度提升)在预测环境变量与海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌、总创伤弧菌和致病性创伤弧菌浓度之间关系方面的有效性。总体而言,使用我们的机器学习模型分析时,环境变量被证明是海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌和创伤弧菌浓度的可靠预测因子(对于海水中的总副溶血弧菌、致病性副溶血弧菌以及牡蛎中的致病性副溶血弧菌,其可接受预测区>70%)。用于识别影响弧菌浓度变量的SHapley Additive exPlanations方法,确定了叶绿素a含量、海水盐度、海水温度和浊度为有影响力的变量。需要指出的是,不同菌株受同一环境变量的影响不同,这表明需要进一步研究这些变异的原因和潜在机制。总之,环境变量可能是海鲜中弧菌生长和行为的重要预测因子。此外,本研究开发的模型对于评估和管理与副溶血弧菌和创伤弧菌相关的风险,尤其是在环境变化的背景下,可能具有不可估量的价值。

  • 利用可见/近红外高光谱成像技术,开发用于预测“Spania”西瓜中SSC空间变异性的低秩近似与深度神经网络统一框架

    2024
    Postharvest Biology and Technology
    中科院一区
    JCR一区
    查看原文

    Jobin Francis, Sony George, Binu M. Devassy & Sudhish N. George

    食品标签

    新鲜水果 其他品质相关性质 显微与成像技术 光谱/色谱/质谱等分析方法

    计算机标签

    其他深度学习结构 偏最小二乘法 支持向量机 随机森林 智能手机/其他 定量预测/回归分析 缺陷/异物检测与定位 高光谱/多光谱光谱

    可溶性固形物含量(SSC)是衡量水果内在品质的重要指标。可见光-近红外(Vis/NIR)结合化学计量学算法是目前用于SSC无创检测和可视化的常用方法。然而,对于西瓜这类果皮较厚、果肉体积较大的水果,其SSC在果实内的分布并不均匀。果肉中SSC的这种变异性可能会对品质分析算法的准确性产生不利影响。因此,本文提出了一种结合低秩近似和深度神经网络的框架,用于准确高效地预测西瓜中SSC的空间变异。本研究选用“西班牙”西瓜品种,对每个西瓜从顶部、底部和两个侧面等多个视角拍摄高光谱图像。该方法以低秩特性为约束,消除光谱数据中不必要的变异。去除了不必要变异后的光谱数据低秩分量被输入到全连接神经网络(FNN)中,用于预测西瓜的SSC值。所提方法在校正和预测中均取得了最优性能,校正集的决定系数(R²C)为0.982,预测集的均方根误差(RMSEP)为0.132;预测集的决定系数(R²P)为0.945,均方根误差(RMSEP)为0.195。此外,将所提方法的预测结果与偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR)、决策树(DT)和随机森林(RF)等最先进的方法进行了比较。总体结果表明,将高光谱图像(HSI)数据与低秩和深度神经网络框架相结合,是一种能够准确预测西瓜SSC以及正确预测单个果实中SSC空间变异性的有效方法。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号