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
-
利用近红外光谱和高光谱成像，结合多任务深度学习和仪器迁移学习，同时检测柑橘内部品质属性
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 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
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类利用高光谱成像（HSI）和近红外（NIR）光谱同时确定柑橘水果的多重品质属性，并成功在不同仪器间转移模型，是两大主要挑战。本研究采用HSI系统和便携式NIR光谱仪，测定两种柑橘品种（曲州蓬干和湘西长野）的可溶固体含量（SSC）和pH值。开发了单任务和多任务卷积神经网络（CNN）模型用于柑橘质量检测。探讨了将单任务和多任务模型从HSI转移到近红外的可行性。对于这两种柑橘品种，SSC和pH的最优模型相关系数分别超过0.8和0.9。本研究展示了多任务学习和工具迁移学习在柑橘质量检测中的潜在应用，有助于HSI和NIR在实际获取优质柑橘及其他水果方面的应用。
思考过程与原因：该研究的对象是柑橘（Citrus, Ponkan/Changye），属于柑橘类水果（A43）。研究的核心目的是检测可溶性固形物含量（SSC）和pH值，这属于品质与理化性质分析（B03），对应的化学成分分别是碳水化合物/糖类（D13）和有机酸（D02）。主要检测手段是近红外光谱和高光谱成像技术（NIR/HSI, C14）。在AI与数字化方面，研究使用了卷积神经网络（CNN, E21），并特别采用了多任务学习和仪器迁移学习（Transfer Learning, E27）策略。模型的任务是定量预测（F02）柑橘的品质指标。使用的数据包括高光谱图像数据（G11）和光谱数据（G13）。 -
追踪冷冻猪肉的营养和质量变化：一项为期12个月的研究，使用7类肉类参数和VIS/NIR光谱
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 随机森林 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
畜肉 品质、结构与理化性质 生产管理与数字化工厂 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸冷冻猪肉存量对于稳定粮食安全和价格至关重要，但评估冷冻期间的营养和物理化学变化仍具挑战性。本研究对50头猪的长轴肌进行了为期12个月的冷冻储存实验，在−20°C下进行，量化了7个类别中62项肉质成分的变化，包括解冻损失、肌红蛋白、脂肪酸、氨基酸和劣化指标。Prophet模型表明，猪肉在适当冷冻下可保持良好品质1至2年，4年后出现明显劣化。跨维度的表型相关揭示了关键相互作用和异常，如花生四烯酸（C20：4n6）和蛋氨酸（Met）偏离各自簇。利用VIS/NIRS和九种机器学习算法，存储时间分类模型在SpecimIQ传输光谱和AdaBoost下实现了85.8%的准确率。这些发现展示了VIS/NIRS在食品安全和加工领域的潜力，为精确的储存时长识别提供了实用解决方案，并为管理冷冻猪肉储备提供了宝贵见解。
思考过程与原因：该研究的对象是猪肉（Pork），属于畜肉（A21）。研究背景是冷冻储存（Frozen storage, B93），旨在追踪其营养和质量变化（Quality changes, B03）。主要检测手段是可见/近红外光谱技术（VIS/NIRS, C14）。检测的目标成分包括氨基酸（D11）、脂肪酸（D12）和肌红蛋白（属于色素D31）。在AI与数字化方面，研究使用了光谱数据（G13）。采用了Prophet模型进行趋势预测，以及包括AdaBoost（属于集成学习E13）在内的九种机器学习算法（E01）。模型的任务包括对储存时间进行分类（F01）以及对品质劣化进行预测（F02）。 -
利用近红外和中红外光谱结合DD-SIMCA建模对商业天然甜味剂的真实性进行评估
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 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
甜味剂 质量管理与追溯系统 光谱/色谱/质谱等分析方法 碳水化合物与糖类 其他植物化学物质本研究提出了一种直接方法，利用近红外和中红外光谱结合DD-SIMCA分类模型，验证赤藓糖醇、木糖醇和甜叶菊的纯度和真实性。模型通过添加PCA残差和噪声生成的虚拟样本得到了增强，提高了鲁棒性和准确性。验证使用了独立的样本集，包括商业天然甜味剂以及掺假糖精、蔗糖、乙酰磺胺和二氧化硅的样品。在，xylitol效率（EFR）分别为97%（NIR）和95%（MIR），而赤蘚糖醇的EFR分别为96%（NIR）和98%（MIR）。相反，stevia由于甜冠醇苷类的自然变异性和萃取条件，其光谱谱在不同品牌和批次间存在显著差异 。因此，甜叶菊的EFR仅为61%（NIR）和90%（MIR）。这种方法为验证天然甜味剂的真实性提供了快速且准确的替代方案，支持质量控制和反掺假工作。
思考过程与原因：该研究的对象是赤藓糖醇、木糖醇和甜叶菊，属于甜味剂（A115）。研究的核心目的是评估其真实性（Authenticity）并检测掺假，属于质量管理与鉴别（B94）。主要检测手段是近红外和中红外光谱技术（NIR/MIR, C14）。检测的目标成分包括糖醇（属于碳水化合物D13）和甜菊糖苷（属于植物化学物质D55）。在AI与数字化方面，研究使用了DD-SIMCA（数据驱动的类模拟软独立建模），这是一种基于主成分分析（PCA, E16）的化学计量学/统计学习方法（E01）。此外，研究还通过生成虚拟样本（添加PCA残差和噪声）来增强模型。模型的任务是对甜味剂的真伪进行分类/认证（F01）。使用的数据是光谱数据（G13）。 -
嵌入式系统的轻量级深度学习模型高效预测油菜籽中的油脂和蛋白质含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
深度学习 模型设计/优化策略 定量预测/回归分析 可见光/RGB/视频数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 过程监测与在线检测 蛋白质与氨基酸 脂质与脂肪酸传统的油菜类蛋白质和油脂含量测定方法通常耗时、劳动密集且成本高昂。本研究开发了一款移动应用，采用优化的深度学习方法，通过输入油菜籽图像，实现低成本、无损且实时预测油菜籽中的蛋白质和油脂含量。在测试模型中，FasterNet-L表现出最佳性能，预测判定系数为（Rp2油脂含量为0.9366，蛋白质含量为0.8828。油脂和蛋白质含量的预测均方误差（RMSEP）分别为0.6982和0.6498，残差预测偏差（RPD）为3.88和2.92。此外，采用了三种剪枝方法，其中通过生长正则化进行神经剪枝效果最佳，预测速度提升13.18%，模型规模减少15.79%。最后，该方法可以扩展并应用于其他油料作物，实现快速的质量鉴定和检测。
思考过程与原因：该研究的对象是油菜籽（Rapeseed），属于油料作物（A16）。研究的核心目的是检测其油脂（D12）和蛋白质（D11）含量，这属于品质与理化性质分析（B03）。研究开发了移动应用，实现了快速/实时检测（B91）。在AI与数字化方面，研究使用了图像数据（G11），采用了深度学习（FasterNet-L, E21）模型。为了适应嵌入式系统，文章重点使用了剪枝（Pruning）等模型压缩/优化技术（E28）。模型的任务是定量预测（F02）成分含量。 -
利用紫外诱导荧光图像与基于CACHAS的两步层级分类方法集成，快速检测特级初榨橄榄油掺假
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 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
植物油 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 脂质与脂肪酸本研究引入了一种新颖的环保型两步分级分类方法，结合紫外线诱导荧光图像，用于鉴定特级初榨橄榄油（EVOO），并检测精制大豆、菜籽油和葵花籽油的单独及同时掺假情况。开发了一种化学计量辅助彩色直方图分析系统（CACHAS），用于捕捉数字荧光图像并在灰度、RGB和HIS通道中提取分析指纹。采用了针对单类别分类优化的数据驱动软独立分类建模（DD-SIMCA），以99.8%的样本效率认证纯特级初榨橄榄油;而为多类别区分设计的偏最小二乘判别分析（PLS-DA）则基于一种、两种或三种精炼植物油的存在，以95.6%的准确率区分掺假样本。这些方法的互补应用使数据集能够稳健地评估，DD-SIMCA侧重验证真实样本，PLS-DA则增强了多类别中掺假样本的辨别能力。
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）及其掺假物（大豆油、菜籽油等），属于植物油脂（A15）。研究的核心目的是检测掺假/认证（Adulteration/Authenticating，B94），并强调了方法的快速检测（Rapid detection，B91）能力。主要检测手段是紫外诱导荧光图像（UV-induced fluorescence images，C14）。检测的目标成分是油脂/脂质（D12）。在AI与数字化方面，研究使用了数字图像数据（G11）（提取颜色直方图特征）。采用的算法包括DD-SIMCA（基于主成分分析的类模拟）和偏最小二乘判别分析（PLS-DA，E11），这些属于经典的化学计量学/统计学习方法（E01）。模型的主要任务是进行层级分类（Hierarchical classification，F01），即先认证真伪，再区分掺假类型。
