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GASF和梅尔频谱图特征的多传感器融合，使用增强型EfficientNet-B0模型进行葡萄酒鉴别
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 多模态/融合数据食品标签
酒精饮料 质量管理与追溯系统 其他理化与结构表征 其他特殊成分本研究提出了一种新颖的多传感器融合策略，用于区分采用相同酿造工艺、由八种不同原料酿造的葡萄酒。研究通过广谱电子鼻和贵金属电极采集香气和味觉信号，形成嗅觉和味觉指纹。为了增强特征表示，利用格拉姆角和场（GASF）及梅尔频谱图算法，将一维时间序列传感器数据转换为二维RGB图像，同时保留时间和频谱信息。随后，将这些图像特征输入到Enhanced-EfficientNet-B0深度学习模型中，验证准确率达到92.17%。结果表明，多传感器数据与先进的信号转换及深度学习相结合，能够实现对葡萄酒原料的准确且高效分类。
-
利用可见/近红外光谱和多元回归分析对贾瓦迪桃果实品质参数进行无损评估
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
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分本研究旨在无损识别贾瓦迪桃的品质参数。在此背景下，研究采用了一个波长范围为350至1150纳米的电容阵列（CCD）光谱辐射计，用于无损预测pH值、可滴定酸（TA）、可溶性固态物（SSC）、总酚（TP）、提取花青素（Prance和Nesbitt法）。研究利用多元偏最小二乘（PLS）回归模型，同时考虑了参考测量值和降解测量值。为预测桃的品质属性，研究单独或组合应用了多种光谱数据处理技术，如萨维茨基-戈莱平滑（SG）、一阶导数（D1）、增量扩散率校正（MSC）、标准正态变量（SNV）和基线校正，组合方式包括（SG + MSC + D1）和（SG + 基线）。模型性能通过预测均方根误差（RMSEP）、相关系数（rp）和标准差比（SDR）进行评估。最优模型对pH值的预测准确性较高（原始光谱：RMSEP = 0.15，rp = 0.94，SDR = 3.0）；对TA（一阶导数：RMSEP = 0.07，rp = 0.86，SDR = 2.29）和SSC（MSC：RMSEP = 1.17，rp = 0.85，SDR = 1.88）的预测准确性中等；而对TP和EA的预测准确性较低（SDR < 1.5）。与破坏性方法相比，这种无损检测方法能快速、经济地进行品质评估。
-
基于深度学习的微调迁移提升了利用微型近红外光谱预测茶叶成分的泛化能力
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
迁移学习/领域自适应 定量预测/回归分析 红外/拉曼光谱数据食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 咖啡因利用近红外光谱预测茶叶成分的模型准确率往往受样品类型的限制。在此研究中，使用低成本的微型近红外光谱仪收集了四种茶叶（绿茶、红茶、乌龙茶和黄茶）的光谱数据。研究探索了多种策略，以开发适用于不同茶叶类型中儿茶素和咖啡因的通用预测模型。基于单一茶叶类型训练的局部模型无法准确预测其他类型的样品。尽管整合了多种茶叶样品的全局模型表现有所提升，但其准确率仍不达标。为解决这一局限性，研究采用了基于深度学习的微调策略，实现了将局部模型的准确率迁移到其他茶叶类型上。对预训练模型的卷积层和全连接层进行微调后，能够准确预测所有茶叶样品中的儿茶素和咖啡因含量，其性能优于传统的迁移成分分析。本研究提出了一种可推广且经济高效的茶叶成分测定方法。
-
基于创新的SALLE-GC-Orbitrap-HRMS代谢组学和多技术数据融合：一种用于单花种蜂蜜和多花种蜂蜜植物标志物鉴定的组合方法
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 多模态/融合数据食品标签
质量管理与追溯系统 代谢组学 植物化学/生物活性成分蜂蜜的植物来源会影响其理化性质、感官属性和商业价值。本研究采用非靶向代谢组学方法，结合气相色谱与高分辨质谱（GC-Orbitrap-HRMS），对单花种蜂蜜（桉树蜜、迷迭香蜜和橙花蜜）和多花种蜂蜜进行区分。通过盐辅助液液萃取（SALLE）进行代谢物分析，随后采用主成分分析（PCA）和正交偏最小二乘判别分析（OPLS-DA）进行多变量统计分析，取得了良好的分类效果（R2Y＞0.8，Q2＞0.7）。七种不同的关键代谢组学标志物被确定为植物来源的指示物，包括倍半萜类、萘类、甲基黄嘌呤类和环己烯酮类。此外，一种新的数据融合方法将GC-Orbitrap-HRMS与超高效液相色谱（UHPLC-Q-Orbitrap-HRMS）分析相结合，提高了分类准确率，并证明了这两种技术的互补性。这些发现凸显了GC-Orbitrap-HRMS结合化学计量学工具作为一种强有力的策略，在食品工业中用于蜂蜜认证、质量控制和欺诈检测的潜力。
-
机器学习辅助识别浓香型白酒发酵过程中糟醅和窖泥中的核心风味化合物并预测核心微生物
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 组学数据食品标签
酒精饮料 感官科学与消费者研究 组学与高通量技术 其他特殊成分浓香型白酒（SFB）的品质直接由关键风味化合物决定，而这些化合物在发酵过程中会受到微生物的影响。本研究采用风味组学和机器学习技术，探究浓香型白酒中感官属性与风味化合物之间的关系。研究初步确定，甜味香气和粮香是影响浓香型白酒品质分级的核心感官属性。此外，通过机器学习分类模型，成功预测出影响浓香型白酒甜味香气和粮香的关键风味化合物。验证实验进一步证实了影响这些感官属性的核心风味化合物。预测模型显示，发酵池中的核心微生物（如异常威克汉姆酵母）会调节风味化合物，进而影响甜味香气和粮香的呈现，最终决定浓香型白酒的品质。本研究展示了机器学习在浓香型白酒风味研究中的潜力，并为其风味形成机制提供了宝贵的见解。
