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
-
机器学习基于三功能锰掺杂共价有机聚合物纳米酶，智能选择特征值来构建传感器阵列，以识别黄酮类化合物
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
随机森林 分类/鉴别/等级评定食品标签
其他添加剂与配料 多酚与黄酮在此，我们合成了一种新型三功能锰掺杂共价有机聚合物纳米酶（Mn-COP），它具有类过氧化物酶、类氧化酶和类漆酶活性。黄酮类化合物的强还原能力会抑制Mn-COP的三种类酶活性，且这种抑制趋势会随着反应时间的延长而增强。由于该传感器阵列采用三种不同的化学反应作为识别通道，Mn-COP提高了其准确性。为了评估反应时间在优化特征值方面的重要性，我们采用了随机森林算法（RF）。该纳米酶传感器阵列能够有效区分各种黄酮类化合物。通过结合随机森林算法，实现了对多种中药中浓度范围为10–500μM的7种黄酮类化合物的准确识别和预测。总体而言，本研究的一个关键创新点在于引入了一种更科学、更智能的特征值选择方法，从而为复杂纳米酶传感器阵列的发展开辟了一条前景广阔的道路。
-
通过便携式LED荧光光谱和化学计量分析，快速鉴定印尼研磨阿拉比卡咖啡掺杂烘焙大豆
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 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
咖啡饮料 豆类与坚果（及籽类） 过程监测与在线检测 质量管理与追溯系统 光谱/色谱/质谱等分析方法正宗的阿拉比卡咖啡容易被欺诈和掺假。阿拉比卡、罗布斯塔和利贝里卡四季豆看起来不同。经过烘焙和研磨后，正宗咖啡看起来和劣质咖啡几乎一模一样。需要一种合适的研磨咖啡鉴定分析技术。本研究利用便携式LED荧光光谱和化学计量技术，识别并定量研磨阿拉比卡中的烘焙大豆。对比监督分类算法PLS-DA、LDA、PCA-LDA和SVMC。采用了三种易用的回归方法预测掺假阿拉比卡咖啡中的大豆掺假情况：PLSR、PCR和MLR。线性核-VMC模型的分类准确率为100%，优于PLS-DA、LDA和PCA-LDA。PLSR的LOD最低，为4.96%（水/日），且大豆掺假回归模型最佳（RMSEC为2.01%（日/日），RMSECV为2.10%（日/日），R。2c0.99，R。2简历0.99）。RPD和RER分别为11.39和31.07，已超出实际适用范围。所提方法更简单、无损且成本效益高。
思考过程与原因：该研究的对象是阿拉比卡咖啡（Arabica coffee），属于咖啡与代用茶（A66）；掺假物是烘焙大豆（Roasted soybean），属于豆类（A14）。研究的核心目的是鉴定（Authentication）和检测掺假（Adulteration），这属于真实性鉴别（B94），且方法具有快速/无损（Fast/Non-destructive, B91）的特点。主要检测手段是便携式LED荧光光谱（Fluorescence spectroscopy, C14）。在AI与数字化方面，研究使用了多种化学计量学/机器学习（E01）算法。具体包括偏最小二乘（PLS）、线性判别分析（LDA）、主成分回归（PCR）、多元线性回归（MLR），这些属于线性模型（E11）；以及支持向量机分类（SVMC, E12）。其中PCA-LDA涉及了降维（PCA, E16）。模型的任务包括分类（Classification, F01）和定量预测（Regression/Quantify, F02）。使用的数据是光谱数据（G13）。 -
基于电子嗅觉和深度学习的辣椒品种分类和产地追踪高效方法
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 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
新鲜蔬菜 品质、结构与理化性质 过程监测与在线检测 质量管理与追溯系统 其他植物化学物质辣椒的品质与其品种和地理产地密切相关。市场常常用劣质辣椒替代高品质辣椒，加工过程中容易发生交叉污染。现有方法无法快速且方便地区分不同的辣椒品种或产地，这需要昂贵的实验设备和专业技能。如能量色散X射线荧光和感应耦合等离子体光谱等技术已被用于辣椒分类和原产地追踪，但这些方法要么成本高昂，要么破坏性强。为解决准确识别辣椒品种及辣椒原产地追踪的挑战，本文提出了一个传感器感知卷积网络（SACNet），集成电子嗅觉（e-nose），以实现辣椒品种的准确分类和产地溯源。e-nose系统采集各种辣椒的气体样本。我们引入了一个传感器注意力模块，自适应地聚焦每个传感器在收集气体信息中的重要性。此外，我们引入了局部传感和广域传感结构，专门捕捉气体信息特征，实现高精度辣椒气体识别。在与其他网络的比较实验中，SACNet在品种分类和原产地可追溯性方面表现出色，并在参数数量方面表现出显著优势。具体来说，SACNet在A数据集的品种分类准确率达到98.56%，在B数据集中原产地可追溯性准确率为97.43%，在C数据集中为99.31%。总之，SACNet与电子鼻的结合为识别辣椒品种和产地提供了有效策略。
思考过程与原因：该研究的对象是辣椒（Chili peppers），属于香辛料/调味品（A116）。研究的核心目的是品种分类（Variety classification）和产地追踪（Origin tracing），这属于真实性鉴别/溯源（B94），同时也涉及品质分析（B03）。研究方法旨在解决现有方法不便的问题，具有快速检测（B91）的特点。主要检测手段是电子鼻（Electronic nose, e-nose, C32）。检测的目标是辣椒的气体样本/挥发性化合物（D55）。在AI与数字化方面，研究提出了一种传感器感知卷积网络（SACNet），集成了传感器注意力模块，属于深度学习/卷积神经网络（CNN, E21）的应用。模型的任务是分类（Classification, F01）。使用的数据是电子鼻的传感器数据/气味指纹（G14）。 -
利用近红外高光谱成像和化学计量分析薯片中的丙烯酰胺含量
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 支持向量机 其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱食品标签
马铃薯 油炸食品 化学污染物 光谱/色谱/质谱等分析方法本研究探讨了近红外高光谱成像（NIR-HSI）在预测薯片中丙烯酰胺含量的潜力。分析了两种土豆品种（Agria和Jaerla）共300个块茎，这些块茎在两个季节内生长并采用相同油炸条件。采用偏最小二乘回归（PLSR）和支持向量机回归（SVMR），结合丙烯酰胺水平的对数变换，开发预测模型。PLSR最优结果为R2p：0.85，RMSEP：201 μg/kg，RPD：2.53，而SVMR为R。2p：0.80，RMSEP：229 μg/kg，RPD：2.22。此外，选择显著波长使变量减少了87.95%，且不影响模型准确性。最后，对外部验证集中的所有芯片进行了丙烯酰胺含量的空间映射。该方法既具量化功能，也具备可视化功能，从而增强加工马铃薯中丙烯酰胺鉴定的质量控制。
思考过程与原因：该研究的对象是薯片（Potato chips），原料属于薯芋类（A12），产品属于油炸食品（A102）。研究的核心目的是检测丙烯酰胺（Acrylamide），这是一种典型的加工伴生污染物（D51），属于化学危害（B52）。主要检测手段是近红外高光谱成像（NIR-HSI, C14）。在AI与数字化方面，研究使用了偏最小二乘回归（PLSR, E11）和支持向量机回归（SVMR, E12）。研究还进行了波长选择（Feature selection），属于特征工程（E28）。模型的任务是定量预测（F02）丙烯酰胺含量并进行可视化。使用的数据是高光谱图像（G11），同时也包含了光谱数据（G13）的信息。 -
超灵敏、智能的食品安全监测平台：利用自组装的SERS底物和机器学习，无标签检测非法添加剂
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/拉曼光谱数据食品标签
化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法为克服食品安全监测中SERS的局限性，尤其是柠檬酸盐离子的显著干扰，本研究引入了一个基于SERS的智能食品安全监测平台。该平台利用硼氢化钠激活银纳米颗粒，钙离子可促进纳米颗粒的聚集，促进自组装和“热点”形成，同时放大柠檬酸盐离子信号。 碘离子的引入旨在消除柠檬酸盐信号和背景荧光干扰。底物达到了100 fg/mL的检测极限。此外，创新的光谱集“SERSome”实现了全面的分子指纹识别，显著提升了准确性。此外，结合机器学习提升了食品样本中快速精准检测和分类的应用性，并成功应用于食品中非法添加剂的监测。总之，该系统提供了一个智能且创新的食品安全检测平台，有助于早期预防食源性疾病。
思考过程与原因：该研究的应用场景是食品安全监测（Food safety monitoring），目的是检测非法添加剂（Illegal additives），这属于化学污染物/食品安全隐患（B52）。研究强调了快速检测（Rapid detection, B91）。主要检测手段是表面增强拉曼光谱（SERS, C14）。在AI与数字化方面，研究建立了一个名为“SERSome”的光谱数据集（G13），并结合机器学习（Machine learning, E01）算法进行分析。模型的具体任务是对食品样本中的添加剂进行分类（Classification, F01）和精准检测。
