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

  • 基于FT-NIR光谱与GC-MS结合化学计量学快速鉴别与量化紫苏叶化学型

    2024
    Food Chemistry: X
    中科院一区
    JCR一区
    查看原文

    Dai-xin Yu, Cheng Qu, Jia-yi Xu, Jia-yu Lu, Di-di Wu & Qi-nan Wu

    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

    计算机标签

    偏最小二乘法 随机森林 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据

    紫苏叶(PF)是一种著名的药食同源植物,含有不同的化学型,这些化学型会影响其品质。本文提出了一种利用气相色谱-质谱联用(GC-MS)和傅里叶变换近红外光谱(FT-NIR)对紫苏叶化学型进行分类和定量的方法。GC-MS结果显示,紫苏叶含有多种化学型,包括紫苏酮(PK)型、α-细辛醚(PP-as)型和莳萝油脑(PP-dm)型,其中紫苏酮型是主要表型。基于FT-NIR数据,可对不同化学型进行准确分类。随机森林算法在表型分类中的准确率达到90%以上。此外,采用偏最小二乘回归模型成功对紫苏叶中的主要成分紫苏酮和异胡薄荷酮进行了定量分析,预测偏差值分别为3.76和2.59。该方法为紫苏叶及其他食品的质量监管提供了有价值的见解和参考。

  • 特征和探索加工过程中藤茶挥发性化合物动态变化的GC-IMS和HS-SPME/GC-MS结合机器学习算法

    2024
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Qianqian Li, Chaoyang Zhang, Wei Liu, Bei Li, Shengfan Chen, Huawei Wang, Yi Li, & Jianxun Li

    食品标签

    茶/茶饮料 其他加工技术 其他品质相关性质 光谱/色谱/质谱等分析方法 其他植物化学物质

    计算机标签

    随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据

    必须研究藤茶在加工过程中挥发性成分的动态变化,以便为茶叶质量评估提供指导。在本研究中,通过气相色谱-离子迁移谱(GC-IMS)和高效液相色谱-固相微萃取/气相色谱-质谱联用(HS-SPME/GC–MS)技术,对葡萄茶加工过程中的挥发性化合物的动态变化进行了表征。结果表明,通过这两种技术共鉴定出了 103 种挥发性化合物,其中有 3 种化合物是两者共有的。采用随机森林方法建立了模型,并探究了关键的挥发性化合物。共探究了 23 种关键化合物,其中 13 种来自 GC-IMS,10 种来自 HS-SPME/GC–MS。此外,通过两两模型进行 100 次交叉验证,所建立模型的受试者工作特征曲线下面积均为 1。此外,本研究为葡萄茶的定向加工和质量控制提供了理论支持。

  • 基于表面FTIR的黑稻种质采集中高通量酚类抗氧化物筛选机器学习方法

    2024
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Achini Herath, Rhowell Jr Tiozon, Tobias Kretzschmar, Nese Sreenivasulu, Peter Mahon, & Vito Butardo Jr

    食品标签

    谷物/块根/豆与坚果类 营养与生物功能 光谱/色谱/质谱等分析方法 植物化学/生物活性成分

    计算机标签

    机器学习/统计学习 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 中等规模数据集

    色素米含有有益的酚类抗氧化剂,但对不同品种的米进行这些抗氧化剂的分析是一项费时费力的工作。在此,我们利用快速表面傅里叶变换红外(FTIR)光谱技术以及机器学习算法(ML)来预测和分类多酚类抗氧化剂。从 270 种来自全球不同地区的彩色米品种中,通过生物化学方法定量测定了总酚类物质、黄酮类化合物、花青素和原花青素。通过在 800 - 4000 cm−1 范围内扫描整粒米的表面获得了衰减全反射(ATR)傅里叶变换红外光谱。利用这些生化和光谱数据优化了五个机器学习分类模型,其预测准确率在 93.5%至 100%之间。随机森林和支持向量机模型确定了与黄酮醇、黄酮类化合物和花青素相关的关键傅里叶变换红外峰是重要的模型预测因子。这项研究成功地建立了色素米糊粉层的直接且非破坏性的表面化学光谱技术,并将其与机器学习模型相结合,形成了一种可行的高通量平台,以加速营养丰富的彩色米品种的分析和鉴定。

  • 基于化学计量学结合矿物元素、挥发性成分与非靶向代谢组学的中国葡萄酒地理识别

    2024
    Food Chemistry: X
    中科院一区
    JCR一区
    查看原文

    Kexiang Chen, Hongtu Xue, Qi Shi, Fan Zhang, Qianyun Ma, Jianfeng Sun, Yaqiong Liu, Yiwei Tang & Wenxiu Wang

    食品标签

    酒精饮料 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 代谢组学

    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 分类/鉴别/等级评定 组学数据 质构/流变/感官数据

    确定葡萄酒的地理来源至关重要,因为产地造假在葡萄酒行业中十分常见。本研究采用电感耦合等离子体质谱法、顶空固相微萃取气相色谱-质谱法和超高效液相色谱-四极杆-轨道阱质谱法,对葡萄酒中的矿物元素、挥发性成分和代谢物进行了分析。通过主成分分析和正交偏最小二乘判别分析,筛选出了用于葡萄酒产地分类的最关键变量(5种矿物元素、13种挥发性成分和51种代谢物)。随后,使用K近邻、支持向量机和随机森林这三种算法,对单一数据集和融合数据集进行建模以用于产地识别。结果表明,基于特征变量(矿物元素、挥发性成分和代谢物)的融合数据集表现最佳,三种算法的预测准确率均达到100%。本研究证实了多源数据融合策略在国产葡萄酒真实性鉴定中的有效性。

  • 将近红外高光谱成像与机器学习和特征选择相结合:检测特级初榨橄榄油中掺入的低等级橄榄油和榛子油

    2024
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    Derick Malavi, Katleen Raes & Sam Van Haute

    食品标签

    植物油 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 逻辑回归/贝叶斯 智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱

    检测特级初榨橄榄油(EVOO)中的掺假行为,对于化学成分相似的油类而言尤其具有挑战性。本研究应用近红外高光谱成像(NIR-HSI)和机器学习(ML)技术,检测不同浓度(1%、5%、10%、20%、40%和100% 质量比)的榛子油、精炼橄榄油和橄榄果渣油对特级初榨橄榄油的掺假情况。研究采用萨维茨基-戈莱滤波、一阶和二阶导数、多元散射校正(MSC)、标准正态变量(SNV)及其组合对光谱数据进行预处理,并通过主成分分析(PCA)降低数据维度。分类工作借助偏最小二乘判别分析(PLS-DA)和多种机器学习算法完成,包括k近邻(k-NN)、朴素贝叶斯、随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)。在区分纯特级初榨橄榄油、掺假物和掺假油时,PLS-DA、k-NN、RF、SVM、NB和ANN模型的准确率分别达到97.0–99.0%、96.2–100%、96.5–100%、98.6–99.5%、93.9–99.7%和99.2–100%。在二分类中,PLS-DA、RF、SVM和ANN的性能显著优于朴素贝叶斯(p < 0.05),马修斯相关系数(MCC)均超过0.90。除朴素贝叶斯外,所有二分类器在结合SNV/MSC、萨维茨基-戈莱平滑及导数处理后,在区分纯特级初榨橄榄油与掺假油时,准确率、灵敏度、特异性、F1分数、精确度和MCC均稳定达到满分(1.0)。使用全光谱的模型与基于关键变量选择的模型在性能上无显著差异(p > 0.05)。不过,PLS-DA和ANN的性能显著优于k-NN、RF和SVM(p < 0.05),其MCC值在0.95至1.00之间,表明分类性能更优。这些研究结果表明,将近红外高光谱成像与机器学习相结合,并辅以关键变量选择,有望为检测特级初榨橄榄油中的掺假行为以及打击橄榄油行业的欺诈活动提供一种有效、无损的解决方案。

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