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)

支持向量机

共 364 条结果

  • 机器学习辅助的拉曼光谱用于原棕榈油质量的无损分析

    2026
    npj Science of Food
    中科院一区
    JCR一区
    查看原文

    Selorm Yao-Say Solomon Adade, Akwasi Akomeah Agyekum, Xorlali Nunekpeku, Nana Adwoa Nkuma Johnson, John-Nelson Ekumah, Bridget Ama Kwadzokpui, Hao Lin, Huanhuan Li, & Quansheng Chen

    食品标签

    植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸

    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 中等规模数据集

    原棕榈油的质量评估在全球范围内仍然是一个关键挑战,尤其是在资源匮乏的地区,传统方法耗时且具有破坏性。本研究探讨了机器学习辅助的拉曼光谱技术,用于棕榈油中过氧化值(PV)和碘值(IV)的无损评估。从加纳五个市场的200个样品中收集了拉曼光谱,二阶导数预处理显著提高了特征分辨率。通过将三种变量选择算法(CARS、GA、UVE)与三种回归方法(PLS、SVM、RF)结合,开发了十二种预测模型。遗传算法-随机森林(GA-RF)模型在PV(Rp = 0.9831, RPD = 7.7397)和IV(Rp = 0.9752, RPD = 6.3927)的预测精度方面表现出色。与不饱和度(1287-1657 cm⁻¹)和氧化(1748-1840 cm⁻¹)相关的关键光谱区域被确定为重要的预测因子。这种方法能够实现快速、无损的质量评估,并在整个棕榈油价值链中具有潜在应用。

  • 基于高光谱成像和可解释 AI 的可信芒果品质无损预测

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Haizhen Ding, Jingyuan Zhao, Wensi Wang, Rui Ding, Yonghuan Yun, Yande Liu, Kang Tu, Weijie Lan, & Leiqing Pan

    食品标签

    新鲜水果 颜色与外观品质 保藏与贮藏 显微与成像技术 传统统计分析与回归 碳水化合物与糖类

    计算机标签

    支持向量机 随机森林 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据

    芒果属于呼吸跃变型水果,因贮藏不当每年会产生大量损失。本研究将可解释人工智能与高光谱成像结合,用于高效判别和可视化芒果成熟度及关键内部品质属性,包括可溶性固形物、滴定酸和硬度。结果表明,在果皮出现明显变色之前,内部属性已经发生显著变化,因此仅依赖外观评估成熟度并不可靠。研究根据贮藏期间的品质变化将芒果分为三个成熟阶段,结合 SNV 预处理的支持向量机分类模型可实现 100% 的阶段判别准确率。对于内部属性预测,使用原始光谱的随机森林模型表现最佳,硬度、SSC 和 TA 的 Rp2、RMSEP 和 RPD 分别为 0.946、2.515、4.311;0.793、0.609、2.209;0.825、0.172、2.411。XAI 进一步识别出 940-960 nm 和 1697-1784 nm 区域对所有属性预测均具有关键重要性,强调糖中 C-H 键、水中 O-H 键以及 TA 中羧基的重要作用。基于最优预测模型生成的内部属性可视化图能够有效捕捉不同成熟阶段和果实区域中属性分布的空间差异。这些发现表明,高光谱成像有助于评估芒果内部状态,而 XAI 可提高化学计量模型的透明度和可靠性,从而帮助向消费者提供更高品质产品。

  • 基于快速 XRF 技术结合先进机器学习的红茶全球产地溯源研究

    2026
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Yicong Li, Nicholas Birse, Wanqi Jia, Manus Carey, Yunhe Hong, Xiaotong Liu, Di Wu & Christopher T. Elliott

    食品标签

    茶/茶饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法

    计算机标签

    偏最小二乘法 支持向量机 随机森林 K-近邻 主成分分析/判别分析 深度学习 分类/鉴别/等级评定 质构/流变/感官数据

    建立完善的红茶溯源体系对防范茶叶欺诈至关重要。开发快速、准确、环保且便捷的红茶产地鉴别方法,对于保护地理标志(GI)产品具有重要意义。本研究采用X射线荧光光谱法,对全球十大主要产茶区的791份正宗红茶样品进行元素含量测定。检测了茶叶产品中15种元素的浓度,并构建了十大地理标志产区的特征元素图谱。此外,采用两种无监督分析技术对高维数据进行可视化处理,并运用六种监督模型对十大地理标志产区进行判别分析。结果表明,随机森林、支持向量机、k近邻、线性判别分析以及深度学习多层感知器(MLP)等机器学习模型,其预测性能均优于传统的偏最小二乘判别分析模型,其中阿萨姆红茶的识别F1分数从66.1%提升至87%–97.7%。MLP模型表现最优,在对十大地理标志产区的532份正宗样品进行产地预测时,总体F1分数达到97.7%。本研究为构建全球综合性红茶溯源体系奠定了基础,对全球范围内防范茶叶欺诈具有重要意义。

  • 一种识别红糖产地的新方法:多重化学谱结合机器学习构建准确可靠的产品溯源策略

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Xinyao Li, Yashu Zhang, Haiqin Lu, Kai Li, & Zhi Huang

    食品标签

    糖、焙烤与糖果制品 其他安全问题 品质、结构与理化性质 光谱/色谱/质谱等分析方法 矿物质与微量元素

    计算机标签

    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

    可靠的产地识别对于红糖质量保障和产品溯源具有重要意义。本研究提出了一种将多重化学谱与机器学习结合的溯源策略,用于识别红糖地理来源。研究收集了来自中国广西、广东、贵州、香港和云南 11 家糖企的 55 批红糖样品。研究采用 ICP-OES 测定 K、Ca、Mg、P、Mn 和 Fe 等 6 种矿物元素,并采用 LC-MS/MS 测定 15 种酚类化合物。研究利用方差分析和主成分分析评价区域差异,并通过三折交叉验证建立随机森林和支持向量机模型进行产地分类。结果显示,K 是最具区分能力的矿物标志物;基于 6 个主成分的 PCA 能揭示区域差异,但不能完全区分所有产地。机器学习显著提升了产地判别效果:随机森林模型准确率约为 96.4%,支持向量机模型准确率约为 98.2%,召回率、精确率和 F1 值同样较高。结果表明,矿物元素和酚类化合物谱结合机器学习可为红糖产地溯源提供准确可靠的策略。

  • 基于傅里叶变换近红外光谱结合机器学习的沙门氏菌、大肠杆菌 O157:H7 与单核细胞增生李斯特氏菌分类检测

    2026
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Samet Ozturk, Lihan Huang, Cheng-An Hwang & Shiowshuh Sheen

    食品标签

    微生物安全 光谱/色谱/质谱等分析方法 菌种筛选与特性评价

    计算机标签

    偏最小二乘法 支持向量机 随机森林 智能手机/其他 卷积神经网络 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

    本研究旨在探究傅里叶变换近红外(FT-NIR)光谱结合机器学习(ML)算法在精准识别三种食源性病原体方面的潜在应用,这些病原体包括沙门氏菌属、单核细胞增生李斯特氏菌以及大肠杆菌O157:H7。每种病原菌(各选取两株菌株)均单独培养,并通过乙醇-去离子(DI)水溶液依次洗涤的方式进行纯化。将各纯化培养物转移至铺有定制切割滤纸的96孔细胞板的各孔中,随后在50℃、20千帕条件下真空干燥1小时。利用与傅里叶变换近红外过程分析仪相连的漫反射探头,采集脱水细菌细胞在1000–2400纳米波长范围内的吸收光谱。为确定最优分类流程,采用十种不同预处理方法、三种特征选择方法以及多种监督算法对采集的光谱进行分析,其中监督算法包括偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和卷积神经网络(CNN)。此外,通过欠采样与提升步骤进一步提升所构建机器学习流程的识别准确率。结果表明,支持向量机、随机森林、人工神经网络和卷积神经网络的性能优于偏最小二乘判别分析,其分类准确率均超过90%。研究结果显示,采用萨维茨基-戈莱一阶导数(SG1)滤波对全光谱进行预处理后再结合支持向量机分类,可获得最高准确率,该机器学习流程的总体准确率达95.3%。本研究凸显了傅里叶变换近红外光谱结合机器学习算法在加工环境中对脱水表面食源性病原体进行检测与识别的强大能力。

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