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
-
利用前面荧光光谱和多种多变量分析技术检测和定量其他级别橄榄油对特级初榨橄榄油的掺假
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
植物油 质量管理与追溯系统 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究探讨了利用正面荧光光谱法检测特级初榨橄榄油（EVOO）与低级橄榄油（初榨、普通初榨、初榨、精制和油渣）掺假，掺假率为5–50%。发射光谱采用主成分分析、因子判别分析和偏最小二乘判别分析（PLS-DA），在激发波长为270、290和430纳米处进行了分析。430纳米的PLS-DA效果最佳，实现100%分类准确率，并完美分离了12组纯样品和掺假样品。
对于纯度预测，对发射光谱数据应用回归模型（偏最小二乘法、主成分法和支持向量机）得出了高R值2在430 nm、290 nm和270 nm波长处分别为0.995、0.96和0.98，预测误差为1.09%。这些发现证实了该方法在检测和量化特级初榨水掺假方面的高度准确性。
思考过程与原因：该研究的对象是特级初榨橄榄油（Extra virgin olive oil, EVOO），属于植物油脂（A15）。研究的核心目的是检测其被低等级橄榄油掺假（Adulteration）的情况并进行定量，这属于真实性鉴别（B94）。主要检测手段是前面荧光光谱（Front-face fluorescence spectroscopy, C14）。检测的目标物质是油脂本身（脂质 D12）。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）方法。具体包括主成分分析（PCA, E16）用于探索性分析，偏最小二乘判别分析（PLS-DA, E11）用于分类，以及偏最小二乘回归（PLSR, E11）和支持向量机（SVM, E12）用于回归预测。模型的任务涵盖了对掺假类型的分类（F01）和对纯度/掺假比例的定量预测（F02）。使用的数据是光谱数据（G13）。 -
利用MIR和NIR光谱结合DD-SIMCA对南巴伊亚速溶咖啡进行地理原产地认证
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 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
咖啡饮料 过程监测与在线检测 质量管理与追溯系统 光谱/色谱/质谱等分析方法本研究提出了一种创新方法，利用振动谱数据结合数据驱动软独立类别类比建模（DD-SIMCA）来验证南巴伊亚速溶咖啡的地理来源。该方法结合了台式中红外（MIR）光谱仪和便携式近红外（NIR）光谱仪的数据，通过乘法散射修正（MSC）和标准法变（SNV）预处理，以及MIR数据的偏移校正，实现了100%的效率。MIR光谱技术使得详细的化学成分分析成为可能，而便携式近红外光谱仪则具备成本效益的原位能力。这些快速且无损的技术符合绿色化学的原则，支持环境可持续的实践。通过确保真实性、保护产品价值并增强消费者信任，这一策略应对了与地理来源相关的潜在欺诈。凭借其卓越的性能和实用优势，所提方法为咖啡行业的质量控制提供了稳健的解决方案，并具有在相关领域更广泛应用的潜力。
思考过程与原因：该研究的对象是速溶咖啡（Instant coffee），属于咖啡与代用茶（A66）。研究的核心目的是地理原产地认证（Geographical origin authentication），这属于真实性鉴别（B94），同时也强调了方法的快速/无损（Rapid/Non-destructive, B91）特性。主要检测手段是中红外（MIR）和近红外（NIR）光谱技术（C14）。在AI与数字化方面，研究使用了DD-SIMCA（数据驱动的软独立建模分类法）。SIMCA是基于主成分分析（PCA, E16）的分类方法，属于化学计量学/机器学习（E01）范畴。模型的任务是对产地进行分类/认证（F01）。使用的数据是光谱数据（G13）。 -
利用深度转移学习和可见近红外高光谱成像，在不同硅环境下无损检测油菜籽叶中的镉含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
支持向量机 深度学习 迁移学习/领域自适应 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
新鲜蔬菜 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 矿物质与微量元素本文提出了一种转移栈去噪自编码器（T-SDAE）算法，用于实现油菜籽叶片镉（Cd）预测深度特征模型在不同硅环境中的迁移。使用堆叠去噪自编码器（SDAE）算法降低维度，并迁移了最有效的SDAE深度学习网络以创建T-SDAE模型。结果表明，使用SDAE提取深度特征的SVR模型在无硅、低硅和高硅环境中对镉含量的预测效果最佳。此外，预测集的确定系数（R）p2分别为0.9127、0.9829和0.9606。具体来说，Rp2 不同硅环境下的T-SDAE-SVR最优预测值为0.9273，RMSEP（平均偏差）为0.01465 mg/kg，RPD为3.237。通过将高光谱成像技术与深度转移学习算法结合，在不同硅环境下，能够准确检测油菜籽叶片中的各种镉含量。
思考过程与原因：该研究的对象是油菜籽叶（Oilseed rape leaves），属于油料作物（A16）。研究的核心目的是检测镉含量（Cadmium content），镉属于重金属污染物（B52），也是一种化学元素（D04）。研究强调了无损检测（Nondestructive detection, B91）。主要检测手段是可见近红外高光谱成像（Vis-NIR hyperspectral imaging, C14）。在AI与数字化方面，研究使用了深度迁移学习（Deep transfer learning, E27）。具体算法包括用于特征提取/降维的堆叠去噪自编码器（SDAE）——属于深度学习（E21）和特征工程（E28），以及用于回归的支持向量机/回归（SVR, E12）。模型的任务是定量预测（F02）镉含量。使用的数据是高光谱图像（G11）和光谱数据（G13）。 -
粉红胡椒的综合分析：形态多样性、矿物质组成、酚类物质含量及基于化学计量学的质量评估
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 小规模数据集食品标签
其他果蔬制品/植物类 品质、结构与理化性质 理化与结构表征 植物化学/生物活性成分通过整合形态学、理化特性、矿物质组成、酚类和黄酮类成分以及抗氧化活性的多维度方法，对92份样品的粉红胡椒进行了表征。研究假设这些数据集能够揭示出一致的质量聚类。化学计量学建模基于颗粒完整性和成分特性揭示了不同的聚类，其中完整果实比例较高（约80%）的样品形成了一个独特的聚类。其他组别在浅色和深色颗粒方面存在差异，这表明样品是在非理想成熟阶段收获的。钾、钙、磷和镁是主要的矿物质，这表明其具有一定的营养价值。没食子酸、表儿茶素和原花青素B2被确定为与粉红胡椒真实性相关的关键生物标志物。在三种测试机制中，粉红胡椒均表现出较高的抗氧化潜力。这种方法确定了外观、化学和功能属性的参考范围，为粉红胡椒作为一种复杂天然产物的未来质量分类和价值提升提供了支持。
-
应用深度学习算法，非侵入性估算不同颜色的太平洋鲍鱼足部肌肉类胡萝卜素含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
深度学习 循环神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
软体与贝类 品质、结构与理化性质 过程监测与在线检测 花青素与类胡萝卜素类胡萝卜素是 影响水生生物颜色和健康的重要色素，尤其是在太平洋鲍鱼（Haliotis discus hannai）等物种中。本研究通过靶向代谢组学鉴定鲍鱼鱼足部肌肉中的主要类胡 萝卜素。通过差异代谢物分析，我们选择了符合以下标准的代谢物：p值<0.05，预测重要性（VIP）得分≥1，折叠变化（FC）≥2或FC≤0.5。结果显示，玉米黄素在所有足部肌肉颜色中含量最高， p值最高为0.0079。因此，我们确认玉米黄质是主要的类胡萝卜素，对足部肌肉的独特颜色有贡献。随后，我们使用深度学习模型，基于CIELAB色彩空间中的颜色测量预测类胡萝卜素含量，该空间由国际闪电控制委员会（CIE）定义，涵盖三个维度：明度（L）、红绿（a）和黄蓝（b）。对344个鲍鱼样本的性能评估显示，长短期记忆（LSTM）模型提供了最佳的预测结果，均方根误差（RMSE）为6.692，确定系数为R。2）的0.415。此外，我们还开发了基于颜色的类胡萝卜素估计套件（CCES）。该软件采用用户友好的图形界面，允许用户输入比色数据、训练模型并预测类胡萝卜素含量。与传统方法相比，CCES提供无损、快速的类胡萝卜素估算，效率提升450倍，成本降低47至77倍。该方法为水产养殖繁育和质量控制提供了高效且可扩展的工具，应用范围不仅限于鲍鱼，还延伸至其他水生和陆生物种。
思考过程与原因：该研究的对象是太平洋鲍鱼（Pacific abalone），属于水产品（A24）。研究的核心目的是非侵入性估算（Non-invasive estimation）其类胡萝卜素（Carotenoids/Zeaxanthin）含量，这属于色素（D31）的检测，也是品质与理化性质分析（B03），且具有快速/无损（B91）的特点。在AI与数字化方面，研究使用了深度学习（Deep learning, E21）算法，具体表现最佳的是长短期记忆网络（LSTM, E23）。模型的任务是根据CIELAB颜色数据（属于理化指标数据 G12）对化学成分含量进行定量预测（F02）。虽然研究前期使用了代谢组学鉴定成分，但AI模型的核心输入是颜色数据。
