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
-
绿原酸对金鲳鱼肌原纤维蛋白的保鲜作用：结合人工神经网络与分子模拟
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 定量预测/回归分析食品标签
鱼肉 品质、结构与理化性质 统计建模与仿真 蛋白质与氨基酸绿原酸（CGA）被用于维持冷藏金鲳鱼片的肌原纤维蛋白（MP）品质。2 g/L的绿原酸处理组表现优于对照组，其Ca²⁺-ATP酶活性更高（0.57μmol/h/mg蛋白质），盐溶性蛋白质含量更高（86.76 mg/g），同时羰基（7.85 nmol/mg蛋白质）、双酪氨酸（745.33 A.U.）和二硫键（2.99 mol/10⁶g蛋白质）等氧化标志物含量更低。肌原纤维蛋白抗氧化能力的增强可能与绿原酸引起的肌球蛋白构象、溶剂可及表面积、分子间氢键数量以及分子间相互作用的变化有关。具有16个隐藏层神经元的人工神经网络（ANN）模型在预测肌原纤维蛋白品质变化时，表现出较高的决定系数（R²训练=0.9990）和较低的均方误差（MSE训练=0.0074），且所有相对误差均在3%以内。总体而言，绿原酸处理能显著抑制冷藏过程中肌原纤维蛋白的氧化和变性，且这些效果可通过人工神经网络进行预测。
-
食品风味分析与感官评价技术及应用的进展：传统方法与新兴方法的比较
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 多模态/融合数据食品标签
感官科学与消费者研究 光谱/色谱/质谱等分析方法 其他特殊成分食物风味是一种复杂的多感官体验，由挥发性和非挥发性成分、质地以及消费者感知之间的相互作用所塑造。本综述探讨了食品风味分析中的传统技术和新兴技术，重点关注它们的应用、优势和局限性。尽管感官评价和化学分析等传统方法能提供有价值的见解，但它们受到主观性的限制，且无法完全捕捉风味感知的动态特性。相比之下，新兴的跨学科方法——整合神经影像学技术和机器学习——正在让我们更深入地理解大脑如何处理风味以及风味如何影响消费者行为。风味分析的未来可能取决于化学、感官、心理和神经学数据的整合，这将促成一种更全面、个性化且动态的研究方法。这种整合有望加深我们对风味感知的理解，并推动食品产品开发的创新，进而提高消费者满意度。
-
采用衰减全反射傅里叶变换红外光谱法和化学计量学快速、无溶剂测定长心卡帕藻中的卡帕卡拉胶和iota卡拉胶
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 定量预测/回归分析 红外/拉曼光谱数据食品标签
微藻及藻类产品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类确定κ-卡拉胶和ι-卡拉胶的组成对于优化其在食品应用中的功能至关重要。异枝麒麟菜是卡拉胶的主要来源，被广泛用作胶凝剂、增稠剂和稳定剂。然而，传统的卡拉胶分析需要耗时的提取和化学处理，限制了质量控制的效率。本研究提出了一种快速、无溶剂的方法，用于定量不同形式的原始大型藻类中卡拉胶的总产率及其κ-和ι-组成。研究采用衰减全反射-傅里叶变换红外（ATR-FTIR）光谱结合偏最小二乘（PLS）回归，建立了卡拉胶测定的预测模型。该模型在600–1100 cm⁻¹光谱范围内，校正、交叉验证和预测系数（R²）均超过0.9，具有较高的准确性。通过实际样品验证，证实了该模型的可靠性，使其成为卡拉胶质量评估和工业应用的合适工具。
-
探索结合化学计量学的多元素指纹图谱用于鉴别芦笋地理来源及其风险评估的可行性
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 主成分分析/判别分析 分类/鉴别/等级评定食品标签
新鲜蔬菜 化学污染物 质量管理与追溯系统 光谱/色谱/质谱等分析方法 矿物质与微量元素本研究探讨了多元素分析结合元素指纹图谱和化学计量学在鉴别芦笋（Asparagus officinalis L.）地理来源方面的有效性。研究还调查了长期摄入芦笋可能带来的健康危害。研究将19种元素设为变量，通过元素指纹图谱和化学计量学进行地理来源鉴别分析。主成分分析（PCA）未能提供清晰的区域划分，而正交偏最小二乘判别分析（OPLS-DA）则给出了清晰的区域划分。最终模型保持了较高的预测准确率和交叉验证准确率，这凸显了元素谱图在准确识别芦笋地理来源方面的稳健性和算法灵活性。基于铅、镉、砷、汞、铜、铬等重金属的总目标危害商（THQ）值以及铅、镉、砷、铬等金属的癌症风险（CR）值进行的健康风险评估表明，食用芦笋对人体健康存在一定风险。
-
食用油的FAC-Z分析：电化学阻抗（Z）谱在基于监督机器学习的食用油脂肪酸组成（FAC）预测中的应用
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 定量预测/回归分析食品标签
植物油 品质、结构与理化性质 显微与成像技术 脂质与脂肪酸采用电化学阻抗谱方法确定了一系列食用油的主要脂肪酸组成。记录了食用油的电学特征（即阻抗谱），并使用神经网络构建了基于机器学习（ML）的预测模型，该模型将电化学数据与通过气相色谱-质谱联用（GC-MS）测定的食用油脂肪酸组成（FACs；C16:0、C18:0、C18:1、C18:2和C18:3）关联起来。在对多种花生油和玉米油的案例研究中，机器学习衍生模型的R²值为0.923-0.997，脂肪酸组成（%）的平均绝对误差（MAE）为14.1；而在对3批次共13种不同食用油的案例研究中，相应的R²值为0.993-0.995，平均绝对误差为9.99。这些研究结果表明，食用油的电学特征与机器学习相结合，有望快速估算食用油中的主要脂肪酸组成，并有助于便携式现场监测膳食脂肪酸的摄入情况。
