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 2456 条结果
-
基于近红外光谱和智能手机结合深度学习和多模态融合检测山茶油掺假
查看原文
2025
Food Chemistry
中科院一区JCR一区
Zhouwen Deng, Yun Zheng, Tao Lan, Liangxiao Zhang, Yong-Huang Yun & Weiming Song
计算机标签
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 中等规模数据集食品标签
植物油 光谱/色谱/质谱等分析方法山茶油（CO）因其营养价值与保健功效而备受认可，但高昂的价格使其极易遭遇掺假造假问题。针对市场上出现的菜籽油（RO）掺入山茶油的掺假现象，本研究构建了山茶油二元掺假检测体系。实验共配制243份不同菜籽油掺杂比例的山茶油样品，采用近红外（NIR）光谱技术获取掺假油样的光谱信息，同时对智能手机拍摄图像及视频所采集的视觉数据开展分析。基于视频数据训练的深度学习模型最高检测准确率可达96.30%。为进一步提升检测精度，研究融合光谱数据与视觉数据，采用多模态检测方法。总体而言，本研究提出了一种可实时鉴别山茶油真伪的全新方法，为应对日益严峻的食品安全问题提供了技术支撑，也为后续实现智能手机在线快速检测奠定了研究基础。
-
塔拉胶掺假检测的综合理化与化学计量学分析
查看原文
2025
LWT
中科院一区JCR一区
Valentina Vulpitta, Giuseppina Anna Corrente, Danilo Gaudio, Alessandro Lano, & Amerigo Beneduci
计算机标签
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
碳水化合物配料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类本研究调查了天然食用胶的组成和质量，重点关注在食品工业中常用的增稠剂--塔拉胶。尽管商业塔拉胶常被标注为"纯"，但它可能掺有较便宜的替代品，如瓜尔胶、魔芋胶或黄原胶，从而导致其性质出现差异。为此，我们使用热分析（TGA, DSC）、光谱分析（FTIR）和黏度测量，对纯塔拉胶样品及含5%至25%其他胶的混合样品进行了分析。并使用先进的统计工具，包括多变量分析（MDVA）和分类模型（SIMCA及PLSDA），来识别这些样品的组成。分析结果显示，大多数未知样品的特征与纯塔拉胶相符，但少量样品显示出瓜尔胶或魔芋胶的痕迹。黄原胶在一些比较中被排除，因为它的强烈影响显著改变了混合物的性质，使其在统计模型中显得突出。SIMCA模型在Cooman图中识别出了边缘案例，提示可能存在低水平的掺假。总体而言，该研究提供了用于检测胶类掺假的有用工具，并支持食品工业中的更好质量控制。
-
高分辨率咖啡分子画像：深入了解其烘焙化学成分及全面真实性分析的门户
查看原文
2025
Food Chemistry
中科院一区JCR一区
Stefan A. Pieczonka, Anna Dzemajili, Silke S. Heinzmann, Michael Rychlik & Philippe Schmitt-Kopplin
计算机标签
机器学习/统计学习 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
咖啡饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法将130份咖啡样品直接进样至傅里叶变换离子回旋共振质谱仪（FT-ICR-MS），为解析咖啡的分子复杂性提供了超高分辨率研究视角：该仪器优异的分辨能力与质量精度（±0.2 ppm），可为11500个质谱信号精准匹配唯一的分子分子式。
研究依托咖啡丰富的分子多样性，通过定向正交偏最小二乘法（OPLS）分析，筛选出数百个与烘焙过程相关的化合物信号。范克雷维伦图、肯德里克质量缺陷分析等可视化手段，进一步揭示了这类化合物的固有组成特征，以及咖啡烘焙背后复杂的化学变化规律。
基于预测型正交偏最小二乘判别分析（OPLS-DA）模型，建立了可快速鉴别阿拉比卡咖啡与罗布斯塔咖啡（中粒咖啡）的通用分子特征图谱。组分分析筛选出罗布斯塔咖啡特有特征信号，证实其为羟基肉桂酸的色氨酸共轭物。结合液相色谱飞行时间二级质谱（LC-ToF-MS²）分析，明确了该类物质的化合物类别、结构单元及分子构型。这类物质具备水溶性特质，可应用于生豆、烘焙豆及即饮咖啡制品的溯源与鉴别研究。 -
深度学习驱动的乳清蛋白酶解物抗高血压特性优化：多酶组合策略
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Shuai Jiang, Fan Mo, Wenhan Li, Sirui Yang, Chunbao Li & Ling Jiang
计算机标签
深度学习 设计/生成与推荐食品标签
乳清及乳清制品 蛋白质配料 抗氧化/抗炎等功能 血糖、血脂与代谢相关功能 过程优化与控制策略 小动物实验 数值仿真 蛋白质与氨基酸本研究利用深度学习技术对乳清蛋白水解物中的降压肽进行了优化。通过使用大型语言模型（LLM），我们确定了一种最优的多酶组合（MC5），其在浓度为 1 毫克/毫升时的血管紧张素转换酶（ACE）抑制率为 89.08%，显著高于单一酶水解的结果。MC5（1 毫克/毫升）表现出出色的生物稳定性，在模拟消化后，ACE 抑制率仅下降了 6.87%。在体内实验中，MC5 使高血压大鼠的收缩压和舒张压分别降低至 125.00 和 89.00 毫米汞柱。MC5 显著降低了炎症标志物（TNF-α 和 IL-6）的水平，并提高了抗氧化酶活性（SOD、GSH-Px、GR 和 CAT）。与 MC 组相比，MC5 组的血清肾素和 ET-1 水平分别降低了 1.25 倍和 1.04 倍，而血清 NO 含量增加了 3.15 倍。此外，分子对接显示了四种具有高 ACE 结合亲和力的强效肽（LPEW、LKPTPEGDL、LNYW 和 LLL）。这种方法展示了将计算方法与传统水解过程相结合的可行性，从而能够开发出针对高血压的有效饮食干预措施。
-
发酵剁椒感官评分预测及关键香气化合物表征
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Yuan Liu, Lingyan Zhao, Chunya Yang, Yeyou Qin, Li Zhu & Fangming Deng
计算机标签
支持向量机 随机森林 其他深度学习结构 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据食品标签
蔬菜发酵制品 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法 其他理化与结构表征发酵剁辣椒（FCP）具有复杂多变的香气特征，这使得准确预测其感官评分和识别关键香气化合物具有挑战性。本研究采用电子鼻（E-nose）结合机器学习方法来预测发酵剁辣椒的感官评分。在支持向量机（SVM）、多元线性回归（MLR）和反向传播神经网络（BPNN）中，随机森林（RF）表现出最高的预测准确率。电子鼻结合训练好的随机森林被用于预测八个地区发酵剁辣椒的感官评分。通过全二维气相色谱-嗅觉检测-四极杆飞行时间质谱（GC×GC-O-Q-TOF-MS）在表现最佳的样品（FCP-1）中检测到97种挥发性化合物和19种气味活性化合物。其中，34种化合物的气味活性值（OAV）大于1。香气重组和缺失实验证实，芳樟醇、苯乙醇、甲硫醇、3-异丁基-2-甲氧基吡嗪、反式-4-癸烯酸乙酯、β-紫罗兰酮、螺氧杂环烷、2-甲基丁酸乙酯、α-松油醇、4-乙基苯酚、β-突厥烯酮和橙花叔醇是FCP-1中的关键香气化合物。
