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
-
基于改进FCN和双向LSTM的谷物蛋白功能预测
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 目标检测网络 分类/鉴别/等级评定 组学数据食品标签
其他谷物与块根 豆类与坚果（及籽类） 蛋白质组学 蛋白质与氨基酸随着高通量测序技术的发展，基于智能模型从氨基酸序列预测谷物蛋白功能已成为生物信息学中的重要任务之一。大豆、玉米、印度茄和日本玉米作为谷物数据集从UniProtKB中选取。本文针对忽略氨基酸序列顺序及氨基酸间长期依赖性的问题，提出了PBiLSTM-FCN模型用于预测谷物蛋白功能。氨基酸序列被纳入全卷积网络（FCN）中，氨基酸之间的长期依赖性则由双向长短期记忆网络（BiLSTM）解决。实验结果表明，PBiLSTM-FCN模型优于现有模型，能够通过解决捕捉长程依赖性和氨基酸序列顺序的问题，实现更准确的预测。最后，可解释性分析是基于实际蛋白质函数与预测蛋白质功能的对比，证明了PBiLSTM-FCN模型在预测谷物蛋白功能方面的有效性。
思考过程与原因：该研究的对象包括玉米、水稻（A13，谷物）和大豆（A16，油料）；研究的目标成分是谷物蛋白（Grain protein，D11）。研究方法属于生物信息学范畴，利用了高通量测序产生的组学/序列数据（C34）。在AI与数字化方面，研究提出了PBiLSTM-FCN模型，结合了全卷积网络（FCN，属于CNN类，E21）和双向长短期记忆网络（BiLSTM，属于RNN类，E23）。模型的任务是根据氨基酸序列预测蛋白质的功能，这属于分类/预测任务（F01）。使用的数据是氨基酸序列数据（G15，组学/分子数据）。此外，文中还进行了可解释性分析（Interpretability analyses，E43）。 -
一个荧光探针-智能手机-机器学习集成平台，用于农业产品中目视和智能检测咪达氯啉
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
深度学习 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
大米 新鲜蔬菜 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 其他特殊成分吡虫啉是一种常用于农业生产的农药。便携且准确地检测伊米达克啉残留物对食品安全和人体健康具有重要意义。这里制备了一个红光发光稀土复合物（Eu-IMDC）探针，具有低检测限（75 nM）、高选择性和快速响应速度（30秒）用于吡虫啉的检测。通过实验和理论计算研究检测机制。此外，构建并应用了集成荧光探针、智能手机和前馈神经网络（FNN）模型的智能检测平台，用于真实稻米、小米和姜样品的吡咯啉检测，回收率范围为96.78%至104.77%，相对标准差（RSD）值低于3.83%。同时，相关参数，如决定系数（R2均方根误差（RMSE）和残差预测偏差（RPD）值，显示FNN模型的拟合和预测性能极佳。这项工作为农产品中农药残留物提供了快速、便携且智能的感测平台。
思考过程与原因：该研究的检测对象包括稻米、小米（A13，谷物）和生姜（A42，蔬菜）；研究的核心问题是检测吡虫啉（Imidacloprid）残留，这属于食品安全中的化学污染物（B52），其成分归类为其他特殊成分（D85，农药）。研究构建了便携式平台，强调快速、可视化的现场检测（B91）。主要检测手段是基于稀土配合物的荧光探针（C14）。在AI与数字化方面，研究开发了智能手机检测平台，采集图像/RGB数据（G11）。使用的算法是前馈神经网络（FNN, E21），模型的任务是建立荧光信号与农药浓度之间的关系，进行定量预测（F02）。 -
利用数字图像和化学计量技术评估椰子水（Cocos nucifera L.）样品的真实性
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 可见光/RGB/视频数据食品标签
果蔬饮料 质量管理与追溯系统 常规理化指标测定 显微与成像技术本研究提出结合数字比色法与无监督模式识别技术，获得分子指纹特征，从而检测和鉴定椰子水样品的无损真实性。它还打算将销售的样品分类为自然类、掺假或工业化样品。样品是在巴西东北部巴伊亚州的街头市场和当地商店购买的。数字图像通过直接分析获得，未对样本进行预处理。随后，利用Chemostat软件提取RGB通道中彩色直方图的组合值。主成分分析和分层聚类对样本分类有贡献。我们证明了数字比色法是一种有用工具，能够快速且低成本地确认食品的真实性。除了遵循绿色分析化学的原则外，它还能促进监管机构的检查。
思考过程与原因：该研究的对象是椰子水（Coconut water），属于果蔬汁/饮料（A61）；研究的核心目的是检测其真实性（Authenticity）及区分掺假或工业化产品，属于质量管理与鉴别（B94）。主要检测手段是基于数字图像的分析，涉及色度测定（C11）和成像分析技术（C14）。在AI与数字化方面，数据来源是数字图像/RGB直方图（G11）。采用的算法包括主成分分析（PCA, E16）和分层聚类（属于无监督的机器学习/统计学习方法E01）。模型的主要任务是对样本的类型（天然、掺假、工业化）进行分类/鉴别（F01）。 -
利用微型近红外光谱仪配合支持矢量机识别牛肉熟成时间
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 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
畜肉 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 常量营养素（宏量） 蛋白质与氨基酸 脂质与脂肪酸消费者越来越要求可持续的生产方式和高质量标准。近红外（NIR）光谱为解决这些问题提供了一种非侵入性且高效的工具。本研究旨在利用近红外光谱和化学计量方法，利用基于SVM的分类模型，评估真空陈酿牛肉在不同熟成期（3天、10天、17天和24天）的表现。共采集了356个样品的近红外光谱，并进行了主理分析（PCA）。第一和第三主要成分解释了83.05%的方差，显示了3天和10天样本与17天和24天样本的分组倾向。与衰老相关的化学基团，如蛋白质、水、脂质、酸和醇，驱动了光谱分化。1228至1337纳米之间的光谱区域被确定为模型开发中最相关的区域，准确率达到96.60%。本研究表明，便携式近红外光谱仪结合SVM分类，提供了一种快速、经济且用户友好的陈年牛肉分类方法。
思考过程与原因：该研究的对象是牛肉（Beef），属于畜肉（A21）。研究的核心目的是识别牛肉的熟成时间（Aging time），这既属于品质与理化性质（B03）的评估，也是对不同熟成阶段进行鉴别/分级（B94）。主要检测手段是微型近红外光谱仪（NIR），属于光谱分析（C14）。摘要中明确指出光谱差异是由水（D01）、蛋白质（D11）和脂质（D12）等化学基团驱动的。在AI与数字化方面，研究使用了光谱数据（G13）。采用的算法包括用于降维和探索的主成分分析（PCA, E16）以及用于构建分类模型的支持向量机（SVM, E12）。模型的主要任务是将牛肉样本按熟成时间（3、10、17、24天）进行分类/鉴别（F01）。 -
鉴定用于多模荧光、紫外-可见和智能RGB监测及有毒汞去除的Au-ag量子点纳米酶2+以及 S2−在食品样本中
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 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 矿物质与微量元素 其他特殊成分方便地监测和去除有毒的汞2+以及 S2−在食品样品中，鉴定出金单键-氮量子点纳米酶（Au-Ag@FA QDs）。叶酸（FA）、亚银和金之间的强烈协同效应使得Au-Ag@FA量子键具有更优越的过氧化物酶拟似活性，以加速3,3′，5,5′-四甲基苯并胺（TMB）与K的氧化还原 m/V马克斯0.28 mmol· L−1/6.40 × 10−8mol· L−1·s−1. 痕迹Hg2+或 S2−可以选择性地改变其过氧化物酶样活性和固有的荧光表现，并明显对Hg产生高色/“开启”荧光效应2+或S的低色度/“关闭”按钮2−. 而从智能手机分析的红-绿-蓝（RGB）数值则以c定期变化Hg2+或 cS2−. 在优化条件下，Au-Ag@FA量子点成功应用于多模紫外-可见、荧光和RGB汞的监测2+或 S2−在食品样本中。检测限为7.38×10−7/5.74 × 10−8/4.93 × 10−6g· L−1以及1.99×10−6/4.48 × 10−8/5.79 × 10−6g· L−1分别。重要的是，Hg超过93.8%2+或90.5% S2−检测后可通过简单的离心分离去除。对汞的选择性识别机制2+以及 S2−也被提议。
思考过程与原因：该研究的应用场景是检测和去除食品样本中的有毒离子（Hg²⁺和S²⁻），这属于食品安全中的化学污染物（B52）；同时研究强调了“智能监测（Intelligent monitoring）”和去除功能，符合过程监测/快速检测（B91）。主要检测手段是基于Au-Ag量子点纳米酶（归类为其他特殊成分D85）的多模检测（荧光、紫外-可见、RGB比色），属于光谱/成像分析（C14）。检测目标中的汞离子属于矿物质/重金属元素（D04）。在AI与数字化方面，研究利用智能手机获取颜色变化的RGB值（属于常规图像数据G11），并根据RGB值与浓度之间的规律性变化（隐含了统计学习/回归模型E01）实现了对污染物浓度的定量监测（F02）。由于摘要未指定具体的食品基质（如肉、菜、奶），故不标注具体的A类标签。
