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
-
基于深度学习的多模融合技术，利用高光谱成像和近红外光谱预测辣椒酱的质量
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据 多模态/融合数据 中等规模数据集食品标签
其他酱腌/发酵食品 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他植物化学物质基于深度学习的智能多模态系统被开发出来，通过融合从高光谱成像（HSI）获得的高光谱图像中提取的色彩特征、HSI和近红外光谱学的光谱特征以及物理化学指标，实现无损性评估辣椒酱的质量。在五种预处理方法中，乘法散射校正在数据预处理方面表现最佳。在三种特征提取方法中，无信息变量消除在识别与色值、辣椒素、二氢辣椒素和挥发物显著相关的波长方面表现最佳。在特征级融合之后，采用混合增强技术将数据集从160个样本扩展到800个，以缓解深度学习中的过拟合问题。卷积神经网络-长短期记忆混合模型在所有质量参数（测试集R）中表现出优异的预测性能2= 0.9554–0.9826）在六个预测模型中。本研究建立了首个无损且快速检测辣椒酱发酵的框架，为智能实时质量监测提供了技术支持。
思考过程与原因：该研究的对象是辣椒酱，属于其他酱腌/发酵食品（A87）；研究目标是预测其发酵过程中的质量参数（如辣椒素含量、色值等），涉及品质与理化性质（B03）及过程监测（B91）。主要检测成分是辣椒素等植物化学物质（D55），使用的方法是光谱/成像技术（C14）。在AI维度，研究构建了多模态融合系统（G18），融合了高光谱图像（G12）和近红外光谱（G13）数据。使用的模型是CNN（E21）与LSTM（E22）的混合深度学习模型，任务是对质量指标进行定量预测（F02）。数据集经过Mixup增强后为800个样本，属于中等规模数据集（G22）。 -
烤羊肉中多环芳烃分析机器学习：来自光谱和化学数据的新见解
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 卷积神经网络 生成对抗网络 定量预测/回归分析 合成/仿真数据为主食品标签
畜肉 化学污染物 光谱/色谱/质谱等分析方法羔羊烘焙过程中产生的多环芳香烃（PAHs）存在健康风险，但由于其浓度低且特性复杂，难以预测。现有模型未能解决PAHs分析中数据稀缺性和低浓度预测准确性的问题。通过熵加权法（EWM）推导的综合PAHs指数（CPI）结合自动编码器和生成对抗网络（AE-GAN），可能克服这些局限。我们将EWM与AE-GAN（用于合成数据增强）集成，并利用偏最小二乘回归（PLSR）、卷积神经网络（CNN）和贝叶斯回声状态网络（Bayes-ESN）开发预测模型。当历元=3000且数据量增加750时，贝叶斯-ESN模型表现最佳（RP2= 0.8238），证明了AE-GAN在缓解数据稀缺性方面的有效性。EWM、AE-GAN和贝叶斯ESN的结合，为预测烤肉中多环节烴（PAHs）水平提供了有力的解决方案，通过增强生成回归协同效应推动食品安全控制。
思考过程与原因：该研究的对象是烤羊肉（A21），重点关注的是烧烤过程中产生的多环芳香烃（PAHs），这属于食品安全中的化学污染物（B52）。虽然文章未明确提及光谱数据来源，但通常这类分析会结合光谱数据，且模型集成中有PLSR，因此方法上涉及光谱分析（C14）。在AI维度，研究首先使用生成对抗网络（GAN，E25）进行合成数据增强（G26）以解决数据稀疏性问题，并结合自动编码器（AE，E42）；随后利用偏最小二乘回归（PLSR，E11）、卷积神经网络（CNN，E21）以及贝叶斯回声状态网络（Bayes-ESN，属于深度学习或时间序列/复杂网络模型，此处归为E42其他）建立模型，核心任务是对PAHs指数和含量进行定量预测（F02）。 -
解开蓝莓感官代谢组：跨品种和地理产地的综合代谢组学与机器学习方法
查看原文
2024
Food Chemistry
中科院一区JCR一区
计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品标签
新鲜水果 感官评价与方法学 代谢组学 植物化学/生物活性成分消费者驱动的蓝莓质量提升需要更深入理解代谢成分如何影响感官感知。本研究结合非定向代谢组学和机器学习，识别影响蓝莓品种和地理来源感官属性的生物标志物代谢物。对四个地区四个品种的代谢物分析显示，挥发性和非挥发性化合物在不同品种和地理上的代谢模式存在显著差异。通过相关分析和随机森林建模，识别出27种挥发物和57种非挥发物作为颜色、口感和风味属性的生物标志物，并通过支持载体回归进一步评估其预测效度。这些生物标志物解释了特定感官属性的86%和整体喜好的66%，展现了解释力和预测稳健性。本研究通过基于生物标志物的方法，提供了一种数据驱动的策略，以优化蓝莓品质。所提出的代谢组学与机器学习框架建立了一个可扩展的模型，用于提升植物性食品中代谢物质量的特性，契合不断演变的消费者偏好。
-
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
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
畜肉 液态乳 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分四环素（TCs）的过度使用对人体健康构成重大威胁，因此需要开发便捷、快速且智能的检测方法来监测食品中四环素残留物。本研究提出了一种异质结构的Eu/Ce-MOFs比例荧光传感器。该传感器在TCs检测方面表现出极佳的稳定性和高精度，四环素（TC）检测限为73.0 nmol/L，OTC为51.7 nmol/L，盐酸多西环素（DOX）为54.9 nmol/L。Eu/Ce-MOFs比例荧光传感器成功定量猪肉和牛奶样品中的TC、OTC和DOX，并实现了89.3%至112.9%的满意回收率。此外，开发了集成机器学习算法的水凝胶视觉感知平台，显著提升了TC、OTC和DOX的检测精度。通过结合智能手机成像与机器学习算法，这一视觉感知平台为TCs分析提供了可靠的方法。
思考过程与原因：该研究的目标是在猪肉（A21）和牛奶（A31）中检测四环素类（D85/抗生素残留），这属于食品安全中的化学污染物（B52）。研究方法是开发基于Eu/Ce-MOFs的比例荧光传感器（C14，光谱分析）。在AI与数字化方面，系统利用智能手机成像获取比色或荧光变化（属于常规图像数据G11），并通过集成的机器学习算法（E01）对荧光比率信号进行处理和建模，实现了对多种四环素的定量预测（F02）。 -
近红外光谱学结合基于L1范数和L21范数的机器学习算法，以确定中国狼莓的地理来源
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
支持向量机 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
果蔬干/果脯/蔬菜干 质量管理与追溯系统 光谱/色谱/质谱等分析方法中国狼莓的营养价值因不同地理产地而异，甚至在地区层面也有所不同。因此，一种无损且有效的方法对于确定中国狼莓的地理起源具有重要意义。为解决传统特征提取方法对异常值敏感且近红外谱数据处理不够稳健的问题，本研究受L21范数线性判别分析（L21-LDA）启发，提出了基于L21范数的稳健线性判别分析（L21-RLDA），并将其与传统LDA、L21-LDA和L1-NSLDA进行比较。最后，应用了K最近邻（KNN）和支持向量机（SVM）进行分类。L1-NSLDA、L21-LDA和L21-RLDA均取得了显著且高度分类准确性的结果。此外，提出的L21-RLDA达到了99.3%的最高分类准确率。本研究展示了结合基于L1范数和L21范数特征提取方法的近红外光谱技术，能够快速、准确且稳健地区分中国的枸杞来源。
思考过程与原因： 该研究的对象是中国狼莓（枸杞），通常以干果形式流通，归类为果蔬干/果脯（A44）；研究目的是识别其地理产地，属于质量管理与追溯系统（B94）；主要检测手段是近红外光谱技术（C14）。在AI与数据分析方面，研究使用了近红外光谱数据（G13），通过改进的线性判别分析（LDA，属于E16）进行特征提取，并结合支持向量机（SVM，E12）和K-近邻（KNN，E14）算法进行建模，最终实现了对产地的分类/鉴别（F01）。
