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1H NMR的代谢组学方法结合机器学习算法区分花椒(Zanthoxylum bungeanum Maxim.)的地理来源
查看原文
2023
Food Control
中科院一区JCR一区
Chuanjian Cui, Mingyue Xia, Ziqi Wei, Jianglin Chen, Chuanyi Peng, Huimei Cai, Long Jin, & Ruyan Hou
食品标签
香精香料 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 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱花椒（Zanthoxylum bungeanum Maxim）是深受种植业与美食市场青睐的香辛料品种。其产地溯源不仅能够提升产品附加值，也对品质管控与品牌保护工作提出了更高要求。本研究首次采用氢核磁共振（¹H NMR）光谱技术，对产自四大主产区的 160 份花椒样品开展检测分析，并基于 32 种非极性代谢物数据进行建模。研究人员测试了多种机器学习算法以构建产地分类模型，结果显示，非线性判别随机森林模型性能最优：该模型在训练集上的综合分类准确率达 100%，测试集准确率为 95.7%，盲样数据集准确率为 87.5%。进一步鉴定发现，决定四大产区花椒样本区分的核心特征标志物为芳樟醇、乙酸芳樟酯、壬醛及罗勒烯。本研究建立了一套基于氢核磁共振光谱结合化学计量学的花椒产地溯源方法，为实现花椒的精准品质管控提供了技术支撑。
-
使用机器学习模型预测植物性食品的质量
查看原文
2023
Current Research in Food Science
中科院一区JCR一区
Christabel Tachie, Nii Adjetey Tawiah & Alberta N.A. Aryee
食品标签
基本营养价值评价计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据 文本/知识库/法规数据植物性食品（PBFs）被认为是健康的，尤其是经过最低程度加工的全食物、水果、全谷物和豆类，而高度加工的植物性食品可能营养较差。向消费者普及营养质量知识将有助于指导他们的选择。本研究旨在利用营养评分（Nutri-Score）和微量营养素含量来评估和预测植物性食品的营养质量。美国国家健康与营养检查调查（NHANES，2017–2020）的数据显示了美国人消费的食品及其基于24小时饮食回顾的营养成分。尽管营养评分标签已被用于区分食品质量，但在大多数国家仍有待实施。该评分主要计算宏量营养素，对同样影响产品质量的微量营养素考虑较少。本研究中使用的机器学习（ML）方法结合了营养评分等级和微量营养素含量来预测食品质量。2017–2020年植物性食品的食品和营养数据库系统（FNDDS）数据被分为训练集（n = 300）和测试集（n = 74）。研究使用了8种机器学习模型来预测植物性食品的营养评分和营养评分等级。随机森林（RF）和轻量级梯度提升模型（LightGBM）表现最佳，准确率和决定系数（R²）分别为0.88和0.96，而决策树（DT）在预测营养评分等级（0.81）和营养评分（0.93）方面得分最低。这些结果表明，机器学习可以有效地用于预测植物性食品的质量。
-
结合稳定同位素、多元素和非靶向代谢组学与化学计量学，区分生姜（Zingiber officinale Roscoe）的地理来源
查看原文
2023
Food Chemistry
中科院一区JCR一区
Dai-xin Yu, Sheng Guo, Xia Zhang, Hui Yan, Su-wan Mao, Jie-mei Wang, Jia-qi Zhou, Jian Yang, Yu-wei Yuan & Jin-ao Duan
食品标签
其他根茎类 品质、结构与理化性质 代谢组学 矿物质与微量元素计算机标签
支持向量机 随机森林 K-近邻 分类/鉴别/等级评定生姜（Zingiber officinale Roscoe）是全球极具经济价值的药食同源作物。生姜品质往往与其产地密切相关。本研究联合利用稳定同位素、多元素及代谢物开展生姜产地溯源研究。化学计量学分析结果表明，生姜样本可实现初步产地区分；其中4种稳定同位素（δ¹³C、δ²H、δ¹⁸O、δ³⁴S）、12种矿物元素（铷、锰、钒、钠、钐、钾、镓、镉、铝、钛、镁、锂）、1种生物元素（碳含量）以及143种代谢物是产地鉴别最重要的特征变量。此外，研究引入三种机器学习算法，基于变量重要性投影特征融合的数据集在产地分类中准确率最高，其中K近邻算法预测准确率达98%，支持向量机与随机森林算法预测准确率均为100%。研究结果证实，同位素指纹、元素指纹与代谢物指纹可作为我国生姜产地溯源的有效判别指标。
-
采用AuNTs组装的PDMS薄膜耦合化学计量算法的柔性SERS传感器，用于快速检测食品中的氯霉素
查看原文
2023
Food Chemistry
中科院一区JCR一区
Huanhuan Li, Wenhui Geng, Zihan Zheng, Suleiman A. Haruna & Quanzheng Chen
食品标签
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 随机森林 分类/鉴别/等级评定 时序传感器/物联网数据氯霉素（CAP）的滥用已导致耐药菌株产生，对公共卫生构成重大威胁。本研究提出一种通用型柔性表面增强拉曼散射（SERS）传感器，结合金纳米三角片（AuNTs）与聚二甲基硅氧烷（PDMS）薄膜，用于食品样品中氯霉素的快速检测。首先，利用具备独特光学与等离子体特性的金纳米三角片@聚二甲基硅氧烷复合材料采集氯霉素的光谱信息。随后，采用四种化学计量学算法进行建模分析并对比性能。结果表明，随机蛙跳-偏最小二乘法（RF-PLS）表现最优，预测相关系数达0.9802，预测均方根误差低至0.348微克/毫升。此外，该传感器对牛奶样品中氯霉素的检测效果得到验证，检测结果与传统高效液相色谱法（HPLC）无显著差异（P > 0.05）。因此，所构建的柔性表面增强拉曼散射传感器可有效应用于牛奶品质与安全监测。
-
利用基于近红外光谱的机器学习检测烘焙咖啡中的5-羟甲基呋喃醛含量
查看原文
2023
Food Chemistry
中科院一区JCR一区
Zeyi Cai, Zihong Huang, Mengyu He, Cheng Li, Hengnian Qi, Jiyu Peng & Le Zhao
食品标签
咖啡饮料 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
支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据由于5-羟甲基糠醛（5-HMF）对人类具有致癌性，对食品中的该物质进行检测至关重要。本研究采用近红外光谱技术（波数范围11998–4000 cm⁻¹）测定烘焙咖啡中的5-羟甲基糠醛含量。利用随机森林算法筛选特征波数，随后构建三种机器学习模型（最小二乘回归、支持向量机、随机森林）用于含量预测。与最小二乘回归和支持向量机模型相比，随机森林模型预测效果最优（校正决定系数$R_c^2$=0.98，预测决定系数$R_p^2$=0.92），并有效筛选出关键特征波数：11667 cm⁻¹、11666 cm⁻¹、10905 cm⁻¹、7096 cm⁻¹、7095 cm⁻¹、7094 cm⁻¹、7093 cm⁻¹、7092 cm⁻¹、5054 cm⁻¹、5026 cm⁻¹、5025 cm⁻¹、5024 cm⁻¹。研究结果表明，基于近红外光谱的机器学习模型可为烘焙咖啡中5-羟甲基糠醛含量检测提供一种无损检测方法。
