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3D打印和轻量级深度卷积神经网络（DCNN）的供应链中水果和蔬菜新鲜度智能监测
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 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜蔬菜 品质、结构与理化性质 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术本研究提出了一种创新的智能系统，用于监督新鲜农产品的质量，结合了3D打印技术和深度卷积神经网络（DCNN）。通过3D打印技术，实现了灵敏、轻便且可定制的双色一氧化碳2监测标签使用溴酚蓝和甲基红作为指示剂制作。这些标签被贴上以敏感监测一氧化碳的变化2蔬菜如绿叶蔬菜、黄瓜、秋葵、李子和枣子等储存过程中的含量。标签的ΔE被发现与一氧化碳呈显著正相关2水平和重量下降率，同时显示出与硬度的强烈反比关系，间接反映了农产品的新鲜度。此外，应用了四款轻量级DCNN模型（GhostNet、MobileNetv2、ShuffleNet和Xception）来识别不同储存日的标签图像，其中MobileNetv2表现最佳。三种秋葵鲜度等级的分类准确率分别为96.06%、91.12%和93.86%。基于该模型开发了一款移动应用，在不同储存阶段识别标签表现出色，适合实际应用并有效区分新鲜度。通过将新颖标签与先进的DCNN模型结合，食品监测的准确性和实时能力可显著提升。
思考过程与原因：该研究的对象包括绿叶蔬菜（A111）、黄瓜、秋葵以及李子、枣（属于核果类 A42）。研究场景是供应链/储存（Storage/Supply chain, B93），目的是进行新鲜度（Freshness）的智能监测（Intelligent monitoring），这属于品质管理（B03）和快速检测（B91）。技术手段是利用3D打印的CO2指示标签，通过图像识别（C12，机器视觉）来分析标签颜色变化。在AI与数字化方面，使用了深度卷积神经网络（DCNN, E21），并特别强调了轻量级模型（Lightweight, GhostNet/MobileNetv2等），这属于模型压缩/优化（E28）。任务是对不同储存天数的 -
基于近红外光谱结合模型转移方法，提高高地大麦多质量属性检测准确性和普遍性的策略
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 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
杂粮 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 碳水化合物与糖类 多酚与黄酮本研究利用直接标准化（DS）、分段直接标准化（PDS）和DS-PDS算法，促进高地大麦（HB）检测过程中模型在仪器间的转移，并校准不同状态下的HB样品。模型转移后，从属仪器结果显著改善。经过DS处理后，总淀粉（预测集相关系数R）取得了最佳结果 p = 0.903），淀粉质（Rp= 0.936），β-葡聚糖（Rp= 0.929）。经过DS-PDS处理后，蛋白质（R）获得了最佳结果p= 0.855）和总苯酚（Rp = 0.937）。此外，经过散射校正后，晶粒的结果得到了进一步提升。唐氏综合症治疗后，全淀粉（R）p = 0.873），淀粉质（Rp= 0.950），蛋白质（Rp= 0.899），β-葡聚糖（Rp= 0.899），以及总孔（Rp= 0.965）证明了最优性能。总体而言，本研究通过有效的模型转移和晶粒散射校正，显著提升了模型的普遍性和准确性。
思考过程与原因：该研究的对象是高地大麦（Highland barley），属于谷物（A13）。研究的核心目的是检测其多种质量属性（Quality attributes），包括总淀粉、直链淀粉、β-葡聚糖（属于碳水化合物D13）、蛋白质（D11）和总酚（属于多酚D32），这属于品质与理化性质分析（B03）。主要检测手段是近红外光谱技术（NIR, C14）。在AI与数字化方面，研究的重点在于解决仪器间模型不通用的问题，使用了DS、PDS等算法进行模型转移（Model transfer），这归类为迁移学习（Transfer Learning, E27）的应用。同时，这些化学计量学方法也属于广义的机器学习（E01）范畴。模型的任务是根据光谱数据对上述成分含量进行定量预测（F02）。使用的数据是光谱数据（G13）。 -
一种全面的无靶向特征策略，用于区分黄芪基的地理起源，将质谱数据、分子网络和碰撞截面测量与化学计量分析整合
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 组学数据食品标签
其他添加剂与配料 品质、结构与理化性质 质量管理与追溯系统 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮 碳水化合物与糖类黄芪豆因其在药用和食用中的双重用途而闻名。本研究采用了综合方法，结合了超高性能液相色谱/离子迁移率四极杆飞行时间质谱、内部文库匹配、碎片离子鉴定、分子网络和碰撞截面预测，以评估黄耆基数质量。基于该方法，成功鉴定了130种化合物，分为38种皂苷、68种类黄酮、10种氨基酸、5种有机酸等。此外，基于碰撞截面测量，验证了8对异构体。此外，甘肃、山西和吉林省生产的黄芪基可通过PLS-DA和OPLS-DA模型成功区分。共鉴定出20种差异代谢物，包括8种类黄酮和12种皂苷，如黄芪苷II、新黄芪苷I、黄芪苷VII、黄芪苷VI、大豆皂苷I、花萼苷-7-O-葡萄糖苷、福莫诺丁-7-O-葡萄糖苷-6“-O-醋酸酯和洋葱，这些均可作为潜在标志物。
思考过程与原因：该研究的对象是黄芪（Astragali Radix），属于药食同源/膳食补充剂（A114）。研究的核心目的是地理产地鉴别（Discriminating the geographical origins），属于质量管理与鉴别（B94），同时也涉及质量评估（B03）。主要检测手段是超高效液相色谱-质谱联用（UHPLC-MS, C31）。检测的目标成分非常广泛，包括有机酸（D02）、氨基酸（D11）、黄酮类（D32）和皂苷（属于糖苷类，D33）。在AI与数字化方面，研究采用了化学计量学（Chemometric analysis），具体使用了PLS-DA和OPLS-DA模型，这属于监督学习中的线性模型（E11）。模型的任务是区分产地，属于分类（F01）。使用的数据是基于非靶向分析的代谢组学/质谱数据，属于组学/分子数据（G15）。 -
利用高光谱成像定量分析和可视化虾肉腐化过程中的化学成分：机器学习与深度学习模型的比较研究
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 卷积神经网络 循环神经网络 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
甲壳类 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法当前工作探索高光谱成像（HSI），以定量识别虾肉腐败期间TVB-N和K值的变化。该工作开发了低层次数据融合（LLF）和预测模型，结合机器学习方法（PLS）和深度学习方法（CNN、LSTM、CNN-LSTM）。结果表明，深度学习方法因其更优越的特征提取和拟合能力，表现相当，但传统化学计量方法优于深度学习模型，实现 = 0.9431（TVB-N），= 0.9815（K值）。随后，基于最优预测模型生成空间分布图，以可视化虾肉的化学成分变化。该方法实现了快速且无破坏性地预测与变质相关的变化。该技术可在冷链物流中监测虾质量，改善库存管理，确保海鲜质量。未来研究应优化模型以适应不同条件，并探索将HSI方法与其他传感器技术结合，全面且准确地提升虾质量评估。
思考过程与原因：该研究的对象是虾（Shrimp），属于水产品（A24）。研究的核心目的是在腐败过程中检测TVB-N和K值（新鲜度/腐败指标），这属于品质与理化性质分析（B03），并且利用技术实现了快速/无损检测（B91）。主要检测手段是高光谱成像（HSI, C14）。在AI与数字化方面，研究对比了多种算法，包括传统的偏最小二乘（PLS, E11）以及深度学习方法中的卷积神经网络（CNN, E21）和长短期记忆网络（LSTM, E23）。模型的任务是根据高光谱数据对化学成分（腐败指标）进行定量预测（F02）。使用的数据是高光谱图像（G11），同时也隐含了光谱数据（G13）的处理。 -
基于COF-ag基底的表面增强拉曼散射（SERS）方法与机器学习相结合，被用于检测牛奶中的四环素和土霉素
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 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法四环素类抗生素因其强大的抗菌效果而备受重视，在畜牧业中被广泛使用，但也引发了人们对牛奶中存在不安全残留的担忧。本研究开发了一种基于氨基功能化共价有机框架（COF）的表面增强拉曼光谱（SERS）方法，用于检测牛奶中的痕量四环素（TTC）和土霉素（OTC）。COF材料作为选择性配体，有效减轻了牛奶基质的干扰。此外，COF与抗生素分子之间的氢键有助于拉曼信号的化学增强。该方法对TTC的检测限低至0.05 μg/L，对OTC的检测限低至0.07 μg/L。由于这些抗生素结构相似，研究采用主成分分析进行降维，并结合支持向量机分类算法，基于光谱数据实现了对抗生素的准确鉴别，分类准确率达100%。
