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
-
苯二胺衍生碳点与罗丹明B结合：超快比分荧光和智能手机支持的亚硝酸盐成像检测
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 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分亚硝酸盐（NO2−）在食物和水中很常见，存在健康风险，需要迅速检测。在这里，开发了一种结合苯二胺来源碳点（Ph-CD）和罗丹胺B（RhB）的比例荧光探针，实现了快速且准确的一氧化氮检测2−传感。在酸性条件下，不行2−通过间氮化与Ph-CD上的氨基反应，导致200秒内明显的荧光变化。RhB提供稳定的参考，允许自校准的双发射输出，减少矩阵和环境干扰。配合智能手机成像，该探头实现了无需复杂仪器即可实时目视检测和量化。该系统在食品和自来水中测试时表现出高灵敏度（LOD：0.10微米）和良好准确率（回收率：96.8%–101.8%），在复杂样品如腌制肉类中表现出强烈可靠性。这个便携且用户友好的平台为现场NO提供了有效的工具2−筛查、支持食品安全和环境监测，尤其是在资源有限的环境中。
思考过程与原因： 该研究的测试对象包含腌制肉类等复杂样本，归类为畜肉（A21）；研究目标是检测具有健康风险的亚硝酸盐（属于其他特殊成分D85），这属于食品安全中的化学污染物（B52）检测。研究方法上，开发了基于碳点和罗丹明B的比率荧光探针，利用荧光信号的变化进行分析，属于光谱分析方法（C14）。在AI与智能检测方面，该系统利用智能手机拍摄荧光图像，获取常规图像数据（G11），并通过信号处理算法建立比率信号与浓度的回归关系（属于统计学习E01），从而实现对亚硝酸盐的定量预测（F02）。 -
基于深度学习、分子对接和实验验证的高效筛选食品来源抗氧化肽的 Pred5AOP 方法
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
其他深度学习结构 分类/鉴别/等级评定 模拟与数字孪生 超大规模/工业级数据集 合成/仿真数据为主食品标签
蛋白质配料 抗氧化/抗炎等功能 细胞模型 数值仿真 蛋白质与氨基酸膳食蛋白中提取的抗氧化肽因其高活性和安全性，对人体健康有积极影响。本研究通过对29种膳食蛋白进行计算机水解构建了一个包含76,343肽的数据库。一种基于MLP算法的新型抗氧化肽筛选方法Pred5AOP鉴定出六种代表性肽：DHD、DDHR、TPNT、HYHE、NDHY和NGDA。实验验证证实了它们显著的抗氧化活性，包括自由基清除和细胞保护，HYHE、DDHR和NDHY表现出卓越效果。分子对接和量子化学分析显示这些肽与Keap1蛋白之间具有强烈的结合亲和力，而分子动力学模拟则强调了它们的结合机制和结构稳定性。本研究提供了一种新的策略，用于识别食品蛋白中的抗氧化肽，支持其在功能性食品中的潜在应用及治疗应用。
思考过程与原因：该研究关注从膳食蛋白质（A113）中筛选具有抗氧化活性（B42）的肽段（D11），并通过细胞模型（C43）进行了生物活性验证。在计算与人工智能方面，研究利用数值仿真（C64/F07，即分子动力学模拟和对接）和基于MLP算法（属于深度学习架构，归类为E28）的方法构建了Pred5AOP模型。该模型用于从大规模（G24，>10000条）且经由计算机模拟水解（G26，合成/仿真数据）生成的肽库中进行目标肽的筛选与鉴别（F01）。 -
蛋白质组学结合机器学习——绿色阿拉比卡咖啡地理来源认证的创新方法
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 组学数据食品标签
咖啡饮料 质量管理与追溯系统 蛋白质组学 蛋白质与氨基酸绿色特种咖啡的地理认证是一项尚未完全解决的具有经济敏感性的分析任务。我们采用了一种创新的蛋白质组学分析结合线性判别分析的方法，用于认证来自中美洲、南美洲、非洲和亚洲著名产区的绿色特种咖啡豆的地理来源。在1596种已识别的蛋白质中，我们选择了ANOVA排名前30的目标标记物。使用留一法交叉验证的模型预测性能达到了85.3%，在亚洲样本的预测率上准确度最低。此外，还使用5折交叉验证测试了模型性能和预测对随机状态的敏感性。经过20次迭代，模型性能略微下降至84.0%。这项研究有助于推进咖啡产业的可追溯性工具，确保产品真实性，并促进公平贸易实践。特异性和敏感性证实，该模型在区分亚洲和非洲样本方面似乎具有可靠性。
思考过程与原因： 该研究的研究对象是绿色阿拉比卡咖啡豆，作为咖啡饮品的原料，归类于咖啡饮料（A63）；研究的核心目标是进行地理来源的认证和可追溯性工具的开发，属于质量管理与追溯系统（B94）；所采用的主要分析方法是蛋白质组学（C33），通过分析其中的蛋白质（D11）作为标记物。在人工智能与数据分析方面，研究使用了线性判别分析（LDA，归属于E16）建立模型，任务是对咖啡豆的产地进行分类/鉴别（F01），所使用的数据源是基于蛋白质组学的组学数据（G15）。 -
拉曼光谱在食品科学中的未来前景：用于增强分析的新兴技术与创新
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 时序传感器/物联网数据食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法 其他特殊成分拉曼光谱技术因其非侵入性和灵敏的分子分析能力，成为确保可持续且高效的食品安全实践的关键技术。本综述重点介绍了基于拉曼技术的最新进展，这些进展在评估食品质量和安全性方面提高了灵敏度、空间分辨率和适用性。诸如SORS等先进技术为包装食品的非侵入性分析提供了手段，而SRS则提高了实时分析的信噪比。与互补技术的整合增强了检测灵敏度，并支持实时、快速分析。本综述探讨了这些技术创新如何助力食品安全和质量控制，强调了它们在减少食品损失和保障粮食安全方面的潜力。本综述还探讨了拉曼光谱技术面临的挑战，如样品复杂性、灵敏度和信噪比等问题。实时分子分析与人工智能及物联网系统的结合，为预防食源性疾病、确保产品质量和改善供应链管理提供了新的可能性。
-
一种基于葡萄糖代谢的智能手机集成比色微生物检测法用于食品中残留抗生素的检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据食品标签
其他复合食品 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分快速且准确地检测食品中的残留抗生素，对于保障食品安全和公众健康至关重要。在本研究中，我们开发了一种集成智能手机的比色传感器阵列，能够对食品中的残留抗生素进行精确的现场检测。该传感器阵列旨在监测四种不同细菌的葡萄糖代谢情况，每种细菌对抗生素暴露的反应各不相同。酚红作为一种对pH敏感的指示剂，可直观显示代谢酸化过程，从而产生与八种抗生素相对应的独特比色指纹图谱。通过基于智能手机的红/绿/蓝信号处理对产生的比色变化进行分析，能够在低浓度（0.5–1 μg/mL）下实现对抗生素的精确识别和定量。该传感器阵列成功区分了真实食品基质（包括牛奶、鸡肉、猪肉和牛肉）中的所有八种抗生素。这种生物传感平台被开发为一款智能手机应用程序，无需专用设备即可进行抗生素检测。这种智能手机辅助的比色生物传感器为加强食品安全提供了一种简单、便携的解决方案。
