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
-
一种基于Transformer的多任务深度学习模型，用于通过两种不同的高光谱成像同时评估鸡胸肉的TVB-N和TVC含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱食品标签
禽肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法准确评估新鲜度对于确保鸡肉行业的质量和安全至关重要。本研究开发了一种多任务交错组Transformer模型（MIGTM），该模型整合了双高光谱成像（HSI）数据，可同时预测鸡胸肉中的总挥发性盐基氮（TVB-N）和总活菌数（TVC）。MIGTM表现出优异的预测性能，其TVBN和TVC的预测值分别为0.9040和0.9499，相较于优化的化学计量模型分别提升了4.48%和1.61%。与单任务模型相比，MIGTM在TVB-N和TVC预测方面分别提升了1.84%和1.40%，同时将计算成本降低了50%。通过有效利用双光谱源的互补信息，MIGTM在准确性和稳定性上优于现有的基于CNN和Transformer的模型。MIGTM与HSI相结合，为批量鸡肉新鲜度检测提供了一种可靠、无损的解决方案，在肉类质量评估的工业应用中具有巨大潜力。
-
机器学习辅助傅里叶变换红外光谱预测芫荽粉中的掺假情况
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 支持向量机 梯度提升决策树 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据食品标签
香精香料 质量管理与追溯系统 光谱/色谱/质谱等分析方法芫荽是一种广泛使用的香料，因其风味、香气和营养价值在各种菜肴和食品中受到重视。然而，掺假，如加入锯末，对食品安全和正宗性构成重大风险。本研究旨在通过提供机器学习辅助傅叶红外光谱学的详细方法，预测芫荽粉中锯末掺假的解决方案。它采用多种基础模型，包括线性回归（LR）、决策树（DT）、支持向量回归（SVR）和人工神经网络（ANN），用于摻假检测。观察到原始数据集和Savitzky–Golay平滑数据集（预处理后生成的数据集）通过实现R获得了更好的结果2验证集的值分别超过0.92和0.96。结果显示，摻假检测中观察到的变异性中超过92%由优化后的人工星神经网络模型解释，这得益于掺假程度与光谱特征之间复杂的非线性关系。这些发现凸显了机器学习辅助FTIR光谱在准确预测芫荽粉锯末掺假方面的潜力。这为通过量化掺假水平提升食品鉴定实践提供了有前景的前景。研究还提供了利用机器学习辅助傅里红外光谱（FTIR）定量食品中不同类型掺假物的指导和方法，从而提升食品安全。
思考过程与原因：该研究的对象是芫荽粉（Coriander powder），属于香辛料（A116）。研究的核心目的是检测其中的锯末掺假（Sawdust adulteration），这属于食品的真实性鉴别（B94）。主要检测手段是傅里叶变换红外光谱（FTIR, C14）。在AI与数字化方面，研究使用了光谱数据（G13），并应用了多种机器学习（E01）算法，包括线性回归（LR, E11）、支持向量回归（SVR, E12）、决策树（DT, E13）以及人工神经网络（ANN, E21）。模型的任务是建立掺假水平与光谱特征之间的非线性关系，进行定量预测（F02）。 -
机器学习：一种用于监控和确保食品安全、质量和营养的有效工具
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 定量预测/回归分析食品标签
品质、结构与理化性质 营养与生物功能 食品安全与风险评估 质量管理与追溯系统食品安全、质量和营养等领域被复杂的数据集淹没。机器学习（ML）已成为食品科学领域的强大工具，相比传统方法，它提供了快速、便捷且高效的解决方案。本综述概述了机器学习在保障食品安全、提升质量以及解开营养复杂性方面的应用。该综述涵盖食品污染物预测、食品等级分类、掺假物检测以及食品营养素及其与营养疾病的相关性分析。此外，机器学习方法旨在阐明肠道微生物群、饮食模式与疾病病理之间的关系，从而将肠道微生物群定位为通过饮食调控干预疾病的潜在生物标志物。本研究为未来机器学习在食品科学领域的应用提供了宝贵参考。
思考过程与原因：这是一篇综述文章（Review），涵盖了食品科学的多个领域。在食品方面，文章讨论了食品安全（B52，污染物预测）、食品质量（B03，分级）、掺假检测（B94，真实性鉴别）以及营养与健康（B45，营养素、肠道菌群与疾病关系）。在AI与数字化方面，文章的主题是机器学习（Machine learning, E01）的广泛应用。涉及的任务类型明确包括了预测（Prediction, F02）和分类（Classification, F01）。此外，文中提到的“肠道微生物群（Gut microbiota）”分析通常涉及组学数据（G15）。 -
利用非靶向脂质组学分析结合化疗分析，确定并比较中国绿茶品种的脂质谱
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 分类/鉴别/等级评定 组学数据食品标签
茶/茶饮料 品质、结构与理化性质 质量管理与追溯系统 其他组学方法 脂质与脂肪酸茶是世界上消费最广泛的饮品。脂质作为重要的化学成分，与茶的风味和品质密切相关。然而，关于不同中国绿茶品种脂质指纹的信息有限。因此，采用了结合无靶向脂质组学分析和化学计量学的方法来区分中国绿茶品种。共鉴定了147种分子物种，属于16个脂类类别。绿茶样本中磷脂、糖脂、亚油酸和亚麻酸含量较高。它们在代谢过程中扮演重要角色，可能影响风味形成。此外，结合多变量数据分析，筛查出8种分子品种以识别出具有区分力的绿茶品种，如PC 16：0/18：3、MGDG 18：3/18：3、PC 18：2/18：2等。本研究为中国绿茶市场的质量保证和防止欺诈行为提供了参考。
思考过程与原因：该研究的对象是绿茶（Chinese green tea varieties），属于茶与代用茶（A66）。研究的核心目的是通过分析脂质谱（Lipid profiles）来区分/鉴别（Discriminating）不同的茶树品种，这涉及到品质与理化性质分析（B03）以及质量管理与鉴别（B94）。主要检测手段是非靶向脂质组学（Untargeted lipidomics, C34）。检测的目标成分是脂质/脂肪酸（Lipids, phospholipids, etc., D12）。在AI与数字化方面，研究使用了化学计量学（Chemometrics）和多变量数据分析（Multivariate data analysis），这通常属于统计学习/机器学习（E01）的范畴。模型的任务是区分不同的品种，属于分类（F01）。使用的数据是组学/分子数据（G15）。 -
食品衍生的DPP4抑制剂：基于高通量虚拟筛选与深度学习的药物发现
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析食品标签
营养强化剂 品质、结构与理化性质 其他生物活性与健康效应 动力学建模二肽基肽酶-4（DPP-4）是治疗2型糖尿病的关键靶点。本研究概述了六种源自食品来源并经过改造的化合物，以形成有前景的糖尿病治疗候选药物。这些化合物通过虚拟筛选、深度学习算法、ADMET表征评估和分子动力学模拟的结合被鉴定。此外，还使用味觉预测模型评估这些DPP-4抑制化合物的风味。经过全面评估，我们得出结论，鉴定出的六种食品来源DPP-4抑制剂具有显著的治疗成功潜力。这项研究极大地促进了新型膳食补充剂的发现，用于管理2型糖尿病。
思考过程与原因：该研究的目标是开发用于管理2型糖尿病的膳食补充剂（A114）。研究对象是食品衍生的化合物，核心功能是DPP-4抑制活性（B45，生物活性/健康效应），同时也关注了口味/风味（B03，感官品质）的预测。研究方法中明确使用了分子动力学模拟（C64）。在AI与数字化方面，研究利用深度学习算法（E21）进行高通量虚拟筛选（F01）和味觉预测（F02）。使用的数据基础是化合物的分子结构/属性数据（G15）。
