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 364 条结果
-
羊栖菜褐藻多酚的超声辅助提取、纯化、鉴定及生物活性评价：RSM与SVM-GA的比较研究
查看原文
2026
Ultrasonics Sonochemistry
中科院一区JCR一区
Weibin He, Qimiao Kong, Haoran Li, Yuhan Wu, Runyan Huang, Li Yu, Shanshan Shen, Chaojian Xu, Yuehua Han, Yuting Ai, & Jianping Jiang
计算机标签
支持向量机 定量预测/回归分析食品标签
微藻及藻类产品 物理辅助加工 过程优化与控制策略 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 响应面分析与多因素优化 多酚与黄酮羊栖菜是分布于中国、韩国和日本的药食同源物种，其褐藻多酚具有重要的生物活性价值。本研究采用响应面法（RSM）和遗传算法优化的支持向量机（SVM-GA）优化羊栖菜褐藻多酚（SFP）的超声辅助提取（UAE）工艺，比较其与常规水浴提取和超声辅助酶法提取的效率，并开展中试规模实验。此外，研究还考察了超声处理对大孔树脂吸附和解吸 SFP 效率的影响。结果表明，SVM-GA 的优化性能优于 RSM。确定的最优 UAE 条件为：提取时间 75 min、提取温度 70 ℃、液固比 20 mL/g、乙醇浓度 30%、超声功率 320 W。在此条件下，总褐藻多酚含量为 0.52±0.021 mg 间苯三酚当量/g，总酚含量为 3.42±0.071 mg 没食子酸当量/g。大孔吸附树脂纯化实验显示，HPD600 是纯化 SFP 效果较好的树脂之一。在 65 W 超声强度下，超声通过增加树脂表面的氢键形成和表面粗糙度，提高了 HPD600 对 SFP 的吸附与解吸能力。SFP 的吸附过程可由准二级动力学模型和 Freundlich 模型较好地描述。研究进一步选取常规振荡辅助 HPD600 纯化样品（SFP-SA）和超声辅助 HPD600 纯化样品（SFP-UA），评价其抗氧化及抗神经炎症活性。采用超高效液相色谱–四极杆飞行时间串联质谱（UPLC-Q-TOF-MS/MS）初步鉴定出 8 类褐藻多酚。该方法可有效提取和纯化羊栖菜褐藻多酚，其良好的抗氧化与抗神经炎症特性显示出在功能食品领域的广泛应用潜力。
-
红外光谱结合深度学习从原料描述熟米饭质构特性：揭示加工过程中的光谱变化和内部相关性
查看原文
2026
Food Control
中科院一区JCR一区
Rui Tang, Ting Yu, Zi Li, Junru Wu, Xiaoming Zheng, Leiqing Pan, Yang Chen, Kun Duan, Hui Dong, & Weijie Lan
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据食品标签
大米 质构与流变性质 传统热加工 光谱/色谱/质谱等分析方法 常规理化指标测定 碳水化合物与糖类本研究探讨了直接基于原料红外光谱描述熟米饭质构特性的潜力，质构指标包括硬度、黏附性、内聚性、弹性、胶黏性和咀嚼性。研究采集了亚洲地区 122 个水稻品种的近红外和中红外光谱。光谱方差分析显示，热加工在 1380 nm 的近红外波长和 890 cm-1 的中红外波数处引起强烈变化。此外，约 2000 nm 和 980 cm-1 的特定光谱区域在米饭蒸煮过程中表现出较强相关性，这与淀粉和水分变化有关。基于熟米饭 NIR 和 MIR 光谱的卷积神经网络模型能够较好预测质构特性，尤其是硬度的 Rv2 分别达到 0.92 和 0.95。值得注意的是，基于原料中筛选出的 MIR 和 NIR 特征变量建立的支持向量机模型能够直接描述熟米饭质构，Rv2 >= 0.90。结果表明，红外光谱结合深度学习可用于从原料描述熟米饭的质构特性。
-
利用大蒜微生物群的16S核糖体RNA分析和机器学习鉴定整颗大蒜的地理来源
查看原文
2026
Food Microbiology
中科院一区JCR一区
Zhihan Xian, Shaoting Li, David A. Mann, & Xiangyu Deng
计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 组学数据 中等规模数据集食品标签
新鲜蔬菜 其他安全问题 微生物组/宏基因组学通过虚假地理来源声明进行的食品欺诈带来了重大的经济和监管挑战，尤其是对于受贸易限制或高端产地标签约束的商品。新鲜大蒜（学名：Allium sativum L.）作为全球贸易作物，由于美国长期对中国进口大蒜征收的反倾销税，容易发生来源欺诈。在此，我们呈现了一项概念验证研究，表明微生物群落分析为大蒜来源鉴定提供了一种稳健且可获取的替代方法，相对于传统的化学计量学方法。我们使用16S rRNA基因扩增子测序技术，对2021年至2024年期间收集的153个大蒜样品的表面细菌群落进行了表征，这些样品来自中国（n=60）、美国（n=50）及其他多个国家（n=43）。比较分析显示各国之间的α多样性和β多样性存在显著差异，其中美国样本的微生物丰富度最高，中国样本最低。降维方法显示出按原产国清晰分群，支持存在不同的微生物特征。基于16S数据训练的机器学习分类器在随机森林、k近邻、逻辑回归和支持向量机模型中仅使用五个属级微生物特征就实现了超过0.87的准确率。多年的采样确认这些微生物信号在收获季节间保持稳定。差异丰度分析进一步识别出驱动国家间分离的生态学相关类群。综合来看，这些结果确立了微生物组分析作为额外实验室工具，以帮助调查大蒜产地欺诈。
-
深度学习增强的多模态数据融合用于预测超声处理猪肉中的凝胶强度和持水性
查看原文
2026
Food Control
中科院一区JCR一区
Huanhuan Li, Chenhui Li, Xorlali Nunekpeku, Wei Sheng, Wei Zhang, & Selorm Yao-Say Solomon Adade
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
畜肉 质构与流变性质 物理辅助加工 光谱/色谱/质谱等分析方法 显微与成像技术 蛋白质与氨基酸改善猪肉糜凝胶品质仍是肉制品加工行业的重要挑战，会影响产品完整性和消费者满意度。本研究探讨使用超声处理提高猪肉糜凝胶强度和持水性的效果，并基于融合光谱和图像数据建立多模态无损预测模型。研究设置不同超声处理时间，其中 20 min 处理获得最佳凝胶强度 338.2 g × cm 和持水性 77.87%。为理解这些改善背后的理化机制，研究采用拉曼光谱和基于图像的纹理分析。拉曼结果显示蛋白质二级结构发生显著变化，包括展开和重组；凝胶表面的灰度共生矩阵分析表明结构均匀性增强、随机性降低。这些互补特征通过低层数据融合策略整合，并采用极限学习机、支持向量机和卷积神经网络进行建模。基于增强融合数据集训练的 CNN 模型取得最高预测准确率，凝胶强度 Rp 为 0.8954，持水性 Rp 为 0.8887，表明结合化学和空间描述符用于实时质量监测具有潜力。本研究不仅证实了超声改善猪肉凝胶品质的有效性，也提出了用于智能肉品加工和无损质量评估的稳健且可解释框架。
-
融合高光谱分析和 WGAN-GP-MMoE 框架的猕猴桃品质多指标预测
查看原文
2026
Food Control
中科院一区JCR一区
Zihan Liu, Qian Chen, Jiali Li, Haosong Liu, Boyu Shuai, Linghuan Ouyang, Zihan Bian, Junyi Wang, Jiabin Yu, & Jianping Qian
计算机标签
支持向量机 小样本学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
新鲜水果 质构与流变性质 干燥保藏 显微与成像技术 质构与流变测试 碳水化合物与糖类高光谱成像广泛用于水果品质无损评价，但多数应用集中于单一指标，并依赖充足标注样本。本研究提出 WGAN-GP-MMoE 框架，在小样本条件下同步预测采后猕猴桃的干物质、可溶性固形物和硬度。研究采集 380 个“中猕 2 号”猕猴桃，并分别通过冷冻干燥、折光法和质构测试测定 DM、SSC 和硬度参考值。研究采集 400-1000 nm 范围内的高光谱图像，并按 70% 训练集、15% 验证集和 15% 测试集划分。WGAN-GP 用于生成合成高光谱反射数据及对应品质标签；训练 2000 轮后的生成样本因其光谱与标签分布与真实样本高度一致而被选用。随后进行 MSC 预处理和 CARS 特征选择，并建立具有共享专家网络和任务特异门控的 MMoE 多任务模型。与 SVR 和多任务 MCNN 相比，Mixed-CARS-MMoE 在验证集上表现最佳，DM、SSC 和硬度的 R2 分别为 0.8908、0.9128 和 0.7492，RMSE 分别为 0.1442、0.0699 和 0.1794，RPD 分别为 3.0261、3.3864 和 2.6633。该框架支持猕猴桃品质多指标在线监测和智能分级。
