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
-
近红外光谱学借助随机森林预测牦牛奶粉的物理化学指标
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 支持向量机 随机森林 定量预测/回归分析 红外/拉曼光谱数据食品标签
乳粉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素（宏量） 蛋白质与氨基酸 脂质与脂肪酸高效且经济高效的物理化学指标检测对于牦牛奶粉的质量控制至关重要。本研究开发了一种基于微型近红外（NIR）光谱和化学计量的快速同步检测方法，针对牦牛奶粉的四种物理化学指标（蛋白质、脂肪、含水量及酸度）。通过比较偏最小二乘法与支持向量回归（PLS-SVR）、脊回归（RR）和随机森林（RF），确定出最优预测模型。结果显示，射频和近红外光谱的结合在预测这四个指标方面表现出色，蛋白质、脂肪和水分含量相关系数分别为0.9846、0.9642和0.9915，酸度相关系数为0.9819。该方法能够快速且准确地预测牦牛奶粉的质量，为生产质量控制提供了可靠的工具。未来工作应探讨其可扩展性和与实时监测系统的集成。
思考过程与原因：该研究的对象是牦牛奶粉（Yak milk powder），属于乳/乳制品（A31）。研究的核心目的是检测其物理化学指标（含水量、酸度等）以进行质量控制，属于品质与理化性质（B03）。主要检测手段是近红外光谱技术（NIR, C14）。检测的目标成分具体包括：水分（D01）、酸度（对应有机酸，D02）、蛋白质（D11）和脂肪（D12）。在AI与数字化方面，研究对比了多种算法，包括偏最小二乘和岭回归（E11）、支持向量回归（SVR, E12）以及最终确定的最佳模型随机森林（RF, E13）。模型的任务是根据光谱数据对上述指标含量进行定量预测（F02）。使用的数据是光谱数据（G13）。 -
一种通用的深度学习模型，用于通过可见光和近红外光谱预测和分类豌豆蛋白含量
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 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
豆类与坚果（及籽类） 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸快速且准确地检测豌豆蛋白含量对于育种和确保食物质量至关重要。本研究引入了PeaNet模型，采用改进的卷积神经网络架构来预测和分类豌豆蛋白含量。该模型利用156个可见光和近红外光谱数据集，来自52个品种，在不同条件下培养。数据经过Savitzky-Golay平滑和乘法散射校正预处理以提升质量。结果显示该模型获得了R级2蛋白质含量预测为0.84，测试组分类准确率为85.33%。在由不同豌豆品种组成的独立验证集上，模型保持一个R2超过0.80，分类准确率为83.33%。它显著优于传统的机器学习模型和传统深度学习架构。本研究引入了一种通用、准确且高效的豌豆蛋白检测方法，从而推动食品营养评估和质量控制的发展。
思考过程与原因：该研究的对象是豌豆（Pea），属于豆类（A12）；研究的核心目的是检测蛋白质含量（Protein content, D11），这属于食品的品质与理化性质分析（B03）。主要检测手段是可见/近红外光谱技术（Visible and near-infrared spectroscopy, C14）。在AI与数字化方面，研究提出了一个名为PeaNet的模型，其架构基于卷积神经网络（CNN, E21）。模型的任务同时涵盖了对蛋白质含量的定量预测（F02，文中给出了R²）以及分类（F01，文中给出了分类准确率）。使用的数据是光谱数据（G13）。 -
即溶绿茶的储存寿命预测与质量鉴别：计算机视觉、电子鼻和电子舌的整合
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 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据食品标签
茶/茶饮料 货架期预测与品质劣变动力学 其他理化与结构表征茶叶的储存是决定茶叶产品质量的关键因素。本研究系统地探究了速溶绿茶在储存期间的质量变化，并通过整合计算机视觉、电子鼻、电子舌与机器学习，开发出一种智能评估方法。定量化学分析建立了常规质量指标与多传感器智能特征之间具有统计显著性的相关性。机器学习模型能有效对速溶绿茶的储存时长进行分类，其中电子舌在储存时间预测方面的分类准确率超过98%。此外，数据融合结合特征选择算法，提高了对储存时长和关键质量成分的预测精度。智能传感技术的整合为速溶茶的保质期快速预测和质量鉴别提供了可靠的方法，为茶叶行业的质量控制和真实性保障奠定了科学基础。
-
使用已开发的可见/近红外光谱系统和悬挂式抓手在线评估草莓可溶性固体含量
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 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 过程监测与在线检测 光谱/色谱/质谱等分析方法 碳水化合物与糖类对草莓内部品质的在线检测面临着特别多的挑战，涉及果实损伤、检测准确性和加工效率。本研究探讨了在吊挂运输过程中使用Vis/NIRS在线检测草莓SSC的可行性。在分析草莓的SSC分布后，开发了光学传感系统，并通过PLSR模型确定了最优配置。当使用水平光学束穿过草莓中心时，PLSR模型结合SNV预处理和CARS特征选择，实现了最佳的传统化学计量结果（RPD为4.793）。此外，还研究了三种1D-CNN方法，其中1D-CNN-LSTM方法表现更优（为0.963，RMSEP为0.209°Brix，RPD为5.332）。这些发现展示了我们开发的系统在深度学习技术的增强下，在草莓中在线检测SSC的卓越能力。这项工作可能为在线评估小而脆弱水果的内部质量开辟新途径。
思考过程与原因：该研究的对象是草莓（Strawberries），属于浆果/小果类（A41）。研究的核心目的是在输送线上对可溶性固形物含量（SSC）进行在线评估（Online assessment/detection，B91），SSC是衡量水果品质/理化性质（B03）的重要指标，其主要成分是糖类（D13）。主要检测手段是可见/近红外光谱技术（Vis/NIR spectroscopy，C14）。在AI与数字化方面，研究使用了光谱数据（G13）。算法方面，对比了传统的偏最小二乘回归（PLSR, E11）与深度学习方法，具体包括一维卷积神经网络（1D-CNN, E21）和长短期记忆网络（LSTM, E23）。模型的任务是预测SSC的具体数值（°Brix），属于回归/定量预测（F02）。 -
基于机器学习的郫县豆瓣鲜味肽探索：虚拟筛选、分子对接及翻译后修饰的启示
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
发酵豆制品 品质、结构与理化性质 动力学建模 蛋白质与氨基酸郫县豆瓣（PXDB）独特的鲜味特征主要归因于其独特的肽段;然而，其结构特征、感觉机制及衰老过程中的生物合成途径仍不甚明了。本研究采用机器学习方法研究1至2岁陈酿的PXDB中的鲜味肽。我们鉴定了117种肽，预测其中69种具有鲜味潜力。感官分析确认了VEGGLR鲜味阈值极低（0.22 mmol/L）。分子对接进一步阐明了VEGGLR通过盐桥和氢键与T1R1/T1R3受体的相互作用，增强了鲜味感知。观察到的翻译后修饰，包括蛋白N6U2M1/N6UWT4上的磷酸化和乙酰化，暗示其在鲜味肽生物合成中具有潜在调控作用。这些发现为PXDB鲜味的形成提供了关键的分子层面见解，加深了我们对其风味化学的理解。
思考过程与原因：该研究的对象是郫县豆瓣（Pixian Doubanjiang），属于调味品（A116）（也有可能归为发酵豆制品A16）；研究的核心关注点是鲜味（Umami profile, B03）及其在发酵/陈酿（Aging, B92）过程中的形成机制。主要研究目标物质是鲜味肽（Peptides, D11）。研究方法中使用了分子对接（Molecular docking, C64）来解析呈味机制。在AI与数字化方面，文章明确采用了机器学习（Machine learning-based approach, E01）进行虚拟筛选（Virtual screening），任务是对肽段的鲜味潜力进行预测/分类（F01）。使用的数据是肽段序列/分子数据（G15）。
