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
-
一种智能手机辅助的二维Cd-MOF混合基质膜，能够实现抗生素和农药的视觉和现场定量感测，以保障食品安全
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品标签
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 其他特殊成分食品污染是当前全球关注的问题，因此快速且准确的定量检测对确保食品安全至关重要。本研究通过掺入稳定的二维发光镉-基质膜{[Cd“，制成了基于MOF的混合基膜（1@PMMA2（左）2（DMSO）2]·2DMSO}n (1） （H2L = 5-（4-（吡啶-4-基）苯甲酰胺-1,3-二二酸），形成柔性聚甲基丙烯酸甲酯（PMMA）基质。所得的1@PMMA表现出对硝呋酮（NFZ）和2,6-二氯-4-硝基苯胺（DCN）的灵敏、强抗干扰、可回收和视觉检测能力。此外，开发了一种便携式智能手机辅助传感平台，将发光的1@PMMA与智能手机联用，实现对NFZ和DCN的视觉和现场定量检测。该工作提供了一个便携且智能的传感平台，用于食品样本中抗生素和农药残留物的目视及现场定量检测，展现了食品安全监测和质量控制的显著潜力。
思考过程与原因：该研究的应用场景是食品安全（Food safety），目的是检测食品中的污染物，具体目标物质是硝呋酮（NFZ，抗生素/兽药）和2,6-二氯-4-硝基苯胺（DCN，杀菌剂/农药），这属于化学污染物（B52）和农兽药残留（D85）。检测方法采用了发光/荧光检测（Luminescent, C14），并开发了智能手机辅助（Smartphone-assisted）的平台，实现了现场/快速检测（On-site/Rapid, B91）。在AI与数字化方面，利用智能手机采集图像/视觉数据（G11），属于便携设备数据（G17）的应用，并通过分析图像信号实现对抗生素和农药浓度的定量检测（Quantitative detection, F02）。 -
结合GC-TOFMS、GC-IMS和GC-E-Nose，对不同来源的烘焙阿拉比卡咖啡豆中的挥发性化合物进行表征与鉴别
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 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
咖啡饮料 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 风味组学 其他植物化学物质咖啡豆的产地在塑造烘焙咖啡的风味中起着关键作用。本研究利用气相色谱-飞行时间质谱（GC-TOFMS）、气相色谱-离子迁移率（GC-IMS）和气相色谱电子鼻（GC-E-Nose）对其挥发性化合物进行了全面表征，分析了来自八个不同产地的烘焙咖啡豆的挥发性化合物。GC-TOFMS共鉴定出168种挥发性化合物，气味活性值（OAV）分析确定了34种关键香气化合物（OAV > 1），变重要性预测（VIP）分析筛查了12种关键差别挥发性化合物。GC-IMS鉴定出105种挥发性化合物，并通过偏最小二乘判别分析（PLS-DA）对不同产地咖啡进行了令人满意的区分。GC-E-Nose进一步鉴定出不同来源间具有明显变化的挥发性化合物，从而能够快速识别咖啡样品。这些技术结合多元统计分析，使得对不同来源烘焙咖啡豆的风味化合物及其变异进行了全面表征。
该研究的对象是烘焙阿拉比卡咖啡豆（Roasted Arabica coffee beans），属于咖啡与代用茶（A66）。研究的核心目的是对挥发性化合物（Volatile compounds）进行表征（属于风味/理化性质 B03）并进行产地鉴别（Discrimination of origins），这属于质量管理与鉴别（B94）。主要检测手段包括气相色谱-质谱（GC-TOFMS）和气相色谱-离子迁移谱（GC-IMS），归类为色谱/质谱技术（C31）；以及气相色谱-电子鼻（GC-E-Nose），归类为电子鼻/电子舌（C32）。检测的目标成分是挥发性/香气化合物（D55）。在AI与数字化方面，研究使用了多元统计分析（Multivariate statistical analysis），具体提到了偏最小二乘判别分析（PLS-DA, E11），这属于监督学习/分类（F01）。使用的数据包括电子鼻和离子迁移谱产生的气味指纹数据（G14）。
思考过程与原因： -
基于电子眼、闪光气相色谱电子鼻和FT-NIR结合机器学习技术，快速评估姜黄的来源与质量
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 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
香精香料 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 光谱/色谱/质谱等分析方法 多酚与黄酮 其他植物化学物质咖喱中的关键成分和受欢迎的健康补充剂姜黄曾遭受掺假和虚假原产地标签。本研究采用了E-eye、Flash GC e-nose和FT-NIR，结合机器学习和多变量算法，用于对姜黄成分的起源鉴定和定量预测。结果显示E-eye在产地分类方面表现不佳，而Flash GC e-nose识别出区分不同来源的姜黄味标记，但缺乏精确量化。在用SNV处理FT-NIR光谱后，包括SVM在内的三个机器学习模型的准确率从83.3%提升到100%。此外，针对三种成分（包括姜黄素）的PLSR模型也获得了平均R2训练和预测集的值均超过0.99，展现出优异的线性和预测准确性。总体而言，研究表明FT-NIR结合多元算法为快速鉴定黄酸起源和质量评估提供了有效且可行的方法。
思考过程与原因：该研究的对象是姜黄（Curcuma），属于香辛料/调味品（A116）。研究的核心目的是产地鉴别（Origin identification）和质量评估（Quality assessment），涉及真实性鉴别（B94）、品质与理化性质（B03）以及快速检测（B91）。主要检测手段包括FT-NIR（光谱技术，C14）、电子眼（E-eye）和电子鼻（Flash GC e-nose）（归类为电子鼻/电子舌，C32）。检测的目标成分是姜黄素（Curcumin），它既是天然色素（D31）也是多酚类化合物（D32），以及用于区分产地的风味标记物（Volatiles, D55）。在AI与数字化方面，研究使用了机器学习（E01）技术。具体算法包括用于回归的偏最小二乘（PLSR, E11）和用于分类的支持向量机（SVM, E12）。模型的任务涵盖了分类（F01，产地）和定量预测（F02，成分含量）。使用的数据类型多样，包括电子眼的图像数据（G11）、FT-NIR的光谱数据（G13）以及电子鼻的气味指纹/传感器数据（G14）。 -
通过HS-SPME-GC-MS和GC-IMS检测预煮鹅肉的风味演变及温热味（WOF）的鉴定
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 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
禽肉 品质、结构与理化性质 过程控制与数字化 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究探讨了预煮鹅肉在储存过程中风味的演变，重点关注脂质氧化对温热风味（WOF）的影响。通过电子鼻、GC-IMS和SPME-GC–MS表征挥发性有机化合物（VOCs），GC-IMS鉴定出60种VOCs。SPME-GC–MS和OAV分析发现了15种关键挥发性有机化合物，OPLS-DA和VIP分析强调了二异丁基邻苯二甲酸酯、2-辛烯酸、辛二基醇和1-辛烯-3-醇作为预煮鹅肉储存时间的潜在指标。皮尔逊相关分析显示关键挥发性有机化合物与脂质氧化，尤其是二次氧化和多元不饱和脂肪酸之间存在强联系（C24：1，C22：6n3）。这些发现强调了脂质氧化在风味强化中的作用，为风味分析和氧化控制提供了宝贵见解。
思考过程与原因：该研究的对象是鹅肉（Goose meat），属于禽肉（A23）。研究背景是储存（Storage, B93）过程，核心关注点是风味演变（Flavor evolution/WOF, B03），特别是脂质氧化导致的风味劣变。主要检测手段包括气相色谱-质谱联用（GC-MS, C31）、气相色谱-离子迁移谱（GC-IMS, C31）以及电子鼻（Electronic nose, C32）。检测的目标成分包括挥发性有机化合物（VOCs, D55）和脂肪酸（Lipid/Fatty acids, D12）。在AI与数字化方面，研究使用了正交偏最小二乘判别分析（OPLS-DA）和变量投影重要性（VIP）分析，这些属于机器学习/统计学习（E01, E11）方法。模型的任务是识别储存时间的潜在指标，涉及分类/特征选择（F01）。使用的数据包括理化指标（脂肪酸氧化指标, G12）和电子鼻/气味指纹数据（G14）。 -
在无镉和镉环境下，利用荧光高光谱成像检测生菜叶片中的硒含量
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 模型轻量化/边缘计算 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜蔬菜 品质、结构与理化性质 化学污染物 光谱/色谱/质谱等分析方法 矿物质与微量元素本研究旨在探讨利用荧光高光谱成像（FHSI）在复杂环境（无镉环境和镉环境）下检测生菜叶中硒含量的可行性。因此，提出了多模差分感知竞争性自适应加权抽样（MDCARS）以在复杂环境中选择镉相关特征，并与ResNet卷积神经网络（RCNN）集成，用于硒含量的定量预测。MDCARS选择了比常见方法更优于可解释性和模型验证结果的特征，从而突出其在复杂数据源中的优势。此外，RCNN的表现优于其他模型，并与MDCARS结合，实现了在复杂环境下生菜叶中硒含量的最佳预测，R为2pRMSEP和RPD值为0.8975,0.0487 mg•kg。−1分别为3.1240。因此，FHSI结合MDCARS和RCNN为预测复杂环境下生菜叶片中的硒含量提供了可行的方法。
思考过程与原因：该研究的对象是生菜叶（Lettuce leaves），属于蔬菜类/叶菜（A111）。研究的核心目的是检测硒含量（Selenium content），硒属于矿物质/元素（D04），这属于品质与理化性质分析（B03）。研究背景特别强调了镉环境（Cadmium environments），镉是一种重金属污染物（B52），这构成了检测的复杂背景。主要检测手段是荧光高光谱成像（Fluorescence hyperspectral imaging, FHSI），属于光学/光谱技术（C14）。在AI与数字化方面，研究使用了ResNet-卷积神经网络（RCNN, E21）。为了处理复杂环境下的数据，提出了MDCARS算法进行特征选择/优化（E28）。模型的任务是定量预测（F02）硒含量。使用的数据是高光谱图像数据（G11）。
