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
标签记录（计算机学者）
共 276 条结果
-
基于机器学习与光谱特征采集优化的蔷薇科水果品质特性预测研究
查看原文
2024
Food Control
中科院一区JCR一区
Xuan Liu, Juan Wang, Hao Wang, Yirui Huang & Zhenhui Ren
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 传统统计分析与回归 碳水化合物与糖类计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱机器学习算法已被广泛应用于食品与农产品各类品质指标的估算和预测研究中。本研究旨在探究基于机器学习算法的李亚科果实品质预测模型的适用性与准确性。研究选取极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、类别型特征梯度提升（CatBoost）以及随机森林（RF） 四种机器学习算法，分别构建针对桃、杏、樱桃这三种李亚科果实的可溶性固形物含量（SSC）与可滴定酸含量（TA）的预测模型。同时，研究考察了三种高光谱数据去噪方法，并采用两种特征提取技术实现高光谱数据的降维处理；通过融合多种光谱数据，模型的预测精度得到了进一步提升。实验结果表明，以互补光谱数据作为输入时，多层感知机 - 平滑滤波 - 极端梯度提升（MLP-SG-XGBoost）模型在桃和杏的可溶性固形物含量预测任务中表现最优，决定系数（R 2）分别达到 0.9162 与 0.9251；而逻辑回归 - 平滑滤波 - 轻量级梯度提升机（LGR-SG-LightGBM）模型则在桃和杏的可滴定酸含量预测中准确率最高，决定系数（R 2）分别为 0.9193 与 0.9206。上述研究结果表明，所构建的模型能够对李亚科果实的品质指标实现精准预测。
-
基于基因组的机器学习用于预测从鸡中分离的沙门菌的抗微生物药物抗性
查看原文
2024
LWT
中科院一区JCR一区
Edmund O. Benefo, Padmini Ramachandran, & Abani K. Pradhan
食品标签
禽肉 微生物安全 基因组学 其他特殊成分计算机标签
支持向量机 随机森林 梯度提升决策树 分类/鉴别/等级评定 组学数据抗微生物抗药性（AMR）仍然对公共健康构成严重威胁。AMR负担的增加是由农业中抗微生物制剂的滥用推动的。本研究的目的是开发一个基于基因组的机器学习模型，以预测从鸡肉中分离的沙门氏菌的抗微生物抗药性。将来自鸡肉的205株沙门氏菌分离株的基因组信息与其对阿莫西林-克拉维酸、氨苄青霉素、头孢噻肟、头孢曲松、磺胺异恶唑、链霉素、四环素和头孢西丁的AMR表型数据结合起来。使用四种机器学习算法，即逻辑提升（logit boost）、随机森林、支持向量机和极端梯度提升（extreme gradient boosting）对这些数据进行训练，以构建模型。对于每种抗菌药物，表现最佳的模型被用来预测来自鸡肉的另一组200个沙门氏菌分离株的AMR表型，并将预测结果与ResFinder的AMR表型预测进行了比较。机器学习模型在所有抗菌药物中表现出高敏感性（≥0.833）、特异性（≥0.833）和平衡准确性（≥0.866）。这些模型预测的耐药率从1%（头孢曲松）到65.5%（链霉素）不等。当将机器学习模型的AMR表型预测与ResFinder的预测进行比较时，本研究的预测准确率高（>95%）。
-
基于计算机视觉的杨桃成熟度分类的解释与阐释
查看原文
2024
Food Research International
中科院一区JCR一区
Ingrid Alves de Moraes, Sylvio Barbon Junior & Douglas Fernandes Barbin
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术计算机标签
随机森林 卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据杨桃（又称星果）依据质量参数的分类通常由训练有素的人员评估员通过目视检查进行。这是一种成本高昂且主观的方法，可能导致结果的高变异性。作为替代方案，计算机视觉系统与深度学习技术相结合，已成为业界一种强大且创新的工具，用于水果的快速、非侵入式分类。然而，验证深度学习模型（即“黑箱”）的学习能力和可信度以获取洞察可能具有挑战性。为减少这一差距，我们提出了一种集成的可解释人工智能方法，用于杨桃在不同成熟阶段的分类。我们比较了两种残差神经网络和视觉变换器，以识别由随机森林模型增强的图像区域，目的是在特征层面为成熟度分类提供更详细的信息。分析了整个成熟阶段果实颜色和理化数据的变化，并使用梯度加权类激活映射以及基于随机森林重要性的注意力图评估了这些参数对成熟阶段的影响。所提出的方法可视化和描述了导致模型决策的最重要区域，广泛的视觉化跟随模型来自随机森林的重要特征。我们的方法在标准化和快速杨桃分类方面具有广阔前景，ResNet达到91%的准确率，ViT达到95%的准确率，并具备应用于其他水果的潜力。
-
非靶向代谢组学与土壤宏基因组学结合机器学习评估揭示不同产地人参的地理差异
查看原文
2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Yuan Cui, Daian Pan, Jiabao Feng, Daqing Zhao, Meichen Liu, Zhengqi Dong, Shichao Liu & Siming Wang
食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法 代谢组学 其他组学方法 其他特殊成分计算机标签
梯度提升决策树 随机森林 分类/鉴别/等级评定 定量预测/回归分析 组学数据人参（Panax ginseng C.A. Meyer），被誉为“草本之王”，在中国被用作营养补充剂，用于食品和药物领域，具有缓解疲劳和增强免疫力的功效，这一应用已有数千年的历史。在农业种植中，不同地理来源的土壤环境会导致人参质量存在明显差异，但这些差异的潜在机制尚不清楚。在本研究中，通过超高效液相色谱 - 四极杆飞行时间质谱（UHPLC-QTOF-MS）的非靶向代谢组学方法，在中国 10 个地区的人参样本中发现了 20 种关键的差异代谢物，包括人参皂苷 Rb1、葡萄糖 6-磷酸等。对土壤特性进行了分析，并结合宏基因组学技术来探究种植土壤中微生物元素之间的可能关系。通过斯皮尔曼相关性分析，发现土壤中丰度最高的前 10 种微生物群落与关键代谢物显著相关。此外，通过随机森林算法建立的关系模型以及土壤微生物丰度与人参代谢物之间的定量关系均得到了成功预测。使用 XGboost 模型确定了 20(R)-人参皂苷 Rg2 和 2′(R)-人参皂苷 Rg3 为特征标记代谢物，并发现了最优的人参生产区域。这些结果证明，人参中的代谢物积累受到种植土壤中微生物的影响，从而导致了人参质量的地域差异。
-
基于机器学习技术的油品掺假高光谱识别
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Muhammad Aqeel, Ahmad Sohaib, Muhammad Iqbal, Hafeez Ur Rehman & Furqan Rustam
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
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 分类/鉴别/等级评定 高光谱/多光谱光谱食品掺假是一个全球性问题，因其潜在的健康风险而引起了安全机构的关注。检测和分类油脂掺假情况对消费者安全和食品行业的诚信至关重要。本研究探索了高光谱成像（HSI）分析技术，以识别不同阶段的劣质油脂掺假问题。研究使用非破坏性的HSI Specim Fx 10系统，提出了一种基于成像的精确且简便的欺诈检测与分类方法。研究对670个油脂样本进行了分析，其中包括纯油脂样本（杏仁油、芥末油、椰子油、橄榄油）和掺假油脂样本（葵花籽油、蓖麻油、液体石蜡）。通过Savitzky-Golay滤波器对图像进行预处理，以去除噪声并平滑光谱特征。研究采用了多种机器学习方法对油脂进行识别，包括支持向量机、逻辑回归、线性判别分析、随机森林、决策树、K近邻和朴素贝叶斯，其中线性判别分析在识别方面表现优异。研究计算了包括精确率、召回率、F1分数和总体准确率在内的性能参数。所提出的方法实现了100%的验证准确率，优于众多最先进的方法。本研究构建了一个用于有效检测油脂掺假的稳健流程，为食品安全和质量控制领域带来了重大进展。
