类目筛选（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
-
-
深度筛选（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
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 1098 条结果
-
利用傅里叶变换近红外光谱（FT-NIRS）和机器学习预测多种大豆品种的全粒和磨碎种子成分
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
偏最小二乘法 支持向量机 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 光谱/色谱/质谱等分析方法 维生素 矿物质与微量元素 蛋白质与氨基酸 脂质与脂肪酸 多酚与黄酮大豆正越来越多地被纳入人类饮食，凸显了确定其成分的重要性。尽管傅里叶变换近红外光谱（FT-NIRS）已成为一项有前景的技术，但目前使用的模型仍限于宏观成分的确定。本研究探讨利用FT-NIRS和机器学习预测大豆宏量组成、脂肪酸和氨基酸、微量营养素、维生素、植酸、异黄酮、胰蛋白酶抑制剂以及五十多种挥发性有机化合物（VOCs）的可行性。我们的模型实现了蛋白质、脂质、多元不饱和脂肪酸、亚油酸以及多达15种氨基酸、4种微量营养素、5种维生素和14种挥发性有机化合物（0.60 < R）的可接受到高度准确的定量2<为0.96%和5.3%
-
基于机器学习预测模型的Sn-Ta-O摻杂垂直石墨烯电化学传感器，用于监测饮料中的镉
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据食品标签
其他饮料 化学污染物 过程监测与在线检测 其他理化与结构表征 其他矿物质饮料种类日益多样化，推动了现场重金属检测以确保安全的需求。多杂原子共掺杂石墨烯电极相比传统碳基电极表现出更优越的电催化活性和稳定性，使其能够应用于机器学习（ML）辅助的实时擖控2+检波。采用了结合物理和化学气相沉积的工业制造工艺，制造出具有均匀表面特性的新型锡（Sn）-钅（Ta）-氧（O）掺杂的垂直石墨烯（VG）（STO-VG）电极。STO-VG传感器将传统的线性回归与实时Cd的机器学习预测模型结合起来2+样本检测。该传感器具有较宽的探测范围（0.1–200微米）、低探测限（S/N=3;1.80 nM），以及极佳的长期稳定性。此外，传感器在实时监测镓板方面表现出优异的恢复率（95.6%–105.2%）和可靠性2+在各种饮料中。本研究提供了稳定的STO-VG传感器和一种高效的（ML）策略，用于现场实时测定镘2+.
思考过程与原因：该研究的应用场景是多种饮料（A68），目的是检测其中的镉（Cd2+，属于其他矿物质D46），这属于食品安全中的化学污染物（重金属）检测（B52），且强调了现场实时检测（B91）。主要检测手段是基于掺杂垂直石墨烯的电化学传感器（属于其他理化表征方法C15）。在AI与数字化方面，研究利用机器学习预测模型（E01，未指定具体算法，统称机器学习）处理电化学传感器的信号数据（属于时序传感器数据G14），实现了对镉离子浓度的定量预测（F02）。 -
便携式智能手机辅助的Tb/Eu-MOF琼脂切片探针用于视觉检测氟喹诺酮
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据食品标签
其他肉与水产品 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分氟喹诺酮类（FQ）的广泛使用会导致食物残渣，这对人体健康构成重大风险。基于Tb/Eu-MOF纳米材料的便携式智能手机辅助检测平台已建立，用于检测FQs，其中enrofloxacin（ENR）作为代表性样本。合成了五个具有不同双金属比例的Tb/Eu-MOF，其中Tb/Eu-MOFs（3：1）作为最佳传感元件。Tb/Eu-MOF 纳米材料悬浮液因荧光共振能量转移与 ENR 发生了从橙红色变浅黄色的变化，达到 0.004 μM 的 LOD，宽线性范围为 0.005–25 μM。Tb/Eu-MOF被整合进琼脂切片中，并与智能手机结合检测以提高便携性。开发了基于智能手机的琼脂切片平台，线性范围为5–150微米，LOD为4.7微米。该检测平台为FQs检测提供了创新、低成本且便携的方法。
思考过程与原因：该研究针对氟喹诺酮类抗生素（FQs，归属于D85其他特殊成分/污染物）的残留检测，这属于食品安全范畴内的化学污染物（B52）监控。研究虽未在摘要中限定特定食品基质，但鉴于氟喹诺酮主要作为兽药使用，其残留通常涉及肉类或水产，故归类为其他肉与水产品（A27）。技术手段上，利用Tb/Eu-MOF的荧光共振能量转移（FRET）产生颜色变化，属于光谱分析方法（C14）。在AI与数字化应用层面，研究通过智能手机拍摄图像（G11）获取颜色信号，利用线性回归等基础统计学习方法（E01）建立信号强度与抗生素浓度之间的关系，从而实现对目标物的定量预测（F02）。 -
基于智能手机的荧光Eu/Ce-MOFs水凝胶传感器，利用机器学习辅助，实现四环素的灵敏和视觉检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据 质构/流变/感官数据食品标签
其他添加剂与配料 消费者偏好与接受度 光谱/色谱/质谱等分析方法 其他植物化学物质理解消费者偏好对于优化传统香料风味特征至关重要。本研究结合化学分析、感官评估和化学计量，调查了来自中国各地不同地理来源的17种四川辣椒（SP）。分选方法将辣椒归类为与地理来源对齐的不同香气簇，而排名描述分析（RDA）则确定柠檬、薄荷、柑橘和辛辣香气是消费者偏好的主要感官驱动因素。气相色谱-质谱（GC–MS）分析鉴定出77种挥发性化合物，揭示了绿/红蔽类与高偏好（≥6）/低偏好（<6）组之间的成分差异。正交-部分最小二乘判别分析（OPLS-DA）确定了16种与偏好模式相关的关键化合物（如linalool、eucalyptol、limonene）。高偏好SP表现出这些化合物的浓度升高，显示出偏好感官属性与化学基底之间的协同联系。这些发现为通过将关键化学标志物与感官属性联系起来，优化SP风味奠定了基础，强调了将感官感知与化学成分整合在面向消费者的香料设计中的重要性。
思考过程与原因：首先需要指出，您提供的中文题目与英文题目及摘要内容不符（中文题目为上一篇关于四环素检测的内容），我已依据英文题目和摘要进行分析。该研究的对象是四川花椒（Sichuan pepper），作为一种香料食材，归类为其他添加剂与配料（A119）（或可视作果蔬制品A45，但作为调味品A119更为合适）；研究的核心目的是探究消费者偏好（B82）的驱动因素。主要分析手段是气相色谱-质谱联用（GC-MS，属于C14）以及感官评价，检测的成分是挥发性风味化合物（属于植物化学物质/其他D55）。在AI与数据分析方面，研究运用了OPLS-DA（正交偏最小二乘判别分析，属于E11 PLS类），任务是对不同产地的花椒进行分类/聚类（F01）并筛选关键标志物。使用的数据包括GC-MS测得的挥发性组分数据（属于组学数据/代谢组G15）和感官评价数据（G16），样本量为17种，属于小规模数据集（G21）。 -
罗布斯塔·阿马佐尼科”绿咖啡地理适应标认证：结合紫外可见和近红外光谱方法与化学计量学
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
咖啡饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法罗布斯塔Amazônico咖啡是一种备受重视且具有注册地理标志的特色咖啡，因此成为欺诈的潜在目标。在此背景下，近红外（NIR）和紫外可见光谱（UV-Vis）光谱被强调为环保的分析技术，具有验证真实性的重要潜力。本研究使用台式和手持近红外仪器以及紫外-可见光谱光度计分析了114个罗布斯塔Amazônico生咖啡样品和108个其他咖啡样品（完整、研磨和萃取形式）。采用数据驱动软独立类比建模（DD-SIMCA）算法进行分类，性能基于灵敏度、特异性和准确性进行评估。分类准确率范围为95.6%至100%。值得注意的是，手持式近红外相机实现了100%的准确率，并被证明是最具成本效益的工具，凸显了其在验证罗布斯塔Amazônico生咖啡真伪方面的适用性。
思考过程与原因：该研究的分析对象是罗布斯塔生咖啡（A63，咖啡饮料类），其核心目的是验证其地理标志（GI）的真实性，这属于质量管理与追溯系统（B94）的主题。主要分析方法是近红外（NIR）和紫外-可见（UV–Vis）光谱技术，归类于光谱分析方法（C14）。在AI维度，研究使用了DD-SIMCA（数据驱动软独立类比建模）这种统计学习/机器学习算法（E01），利用近红外光谱数据（G13）进行咖啡来源的分类/鉴别（F01）任务。由于论文的主要目标是鉴别地理真伪，并未着重于特定营养素的定量分析，因此未标注D类成分标签。
