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
-
探索巴伊亚咖啡多样性：核磁共振光谱和化学计量揭示地区差异
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 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
咖啡饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 植物化学/生物活性成分咖啡是一种全球流行的饮品，巴西是主要生产国，巴伊亚州是该国第四大生产国。在巴伊亚，Chapada Diamantina和Vitória da Conquista高原微区以其高品质的美食咖啡闻名。本研究结合了核磁共振光谱和化学分析，比较了这些地区咖啡的化学成分。分析发现了显著差异：Vitória da Conquista Plateau咖啡对甲酸、富马酸、N-甲基吡啶和甲基尼古丁酸盐的浓度更高，而Chapada Diamantina咖啡则对丙烯酰胺、咖啡酸和trigonelline浓度更高。这些发现凸显了器官性质在区域性质上的差异。分类方法k-NN、SIMCA和PLS-DA有效区分了咖啡与这些微区，展示了核磁共振和化学计量学在区域咖啡区分中的潜力。
思考过程与原因：该研究的对象是咖啡（Coffee，A66）；研究的核心目的是基于化学成分差异进行地理产地鉴别（Regional variations/differentiation），属于质量管理与鉴别（B94）。主要分析手段是核磁共振波谱（NMR spectroscopy，归类为C14光谱分析）。检测的差异化合物包括有机酸（甲酸、富马酸、咖啡酸，D02）和生物碱（葫芦巴碱、N-甲基吡啶，D52）。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k-近邻（k-NN, E14）、偏最小二乘判别分析（PLS-DA, E11）以及SIMCA（属于化学计量学/统计学习E01）。模型的主要任务是对咖啡的微产区来源进行分类/鉴别（F01）。 -
利用基于数字图像的指纹和化学计量学，分层认证速溶咖啡的地理来源
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
咖啡饮料 质量管理与追溯系统 显微与成像技术本研究引入了一种新的两步分层框架，结合了基于数字图像的指纹和化学计量学，用于验证冻干速溶咖啡的地理来源。灰度、RGB和HSV色彩空间中的彩色直方图作为样本指纹，用于构建化学计量模型。利用HSV直方图、数据驱动的软独立类比建模（DD-SIMCA）和偏最小二乘判别分析（PLS单键DA）展示了最佳预测性能。这些模型分别在第一步和第二步准确分类了南巴伊亚和埃斯皮里图桑托的所有样本，并成功将它们与未申报来源的样本区分开来。这使得该测试集在类别建模和判别方法中均实现了100%的灵敏度、特异性和准确性。所提方法简单、经济且无损，提供了一个高效、环保且可靠的工具，用于现场验证速溶咖啡的真实性和地理来源。
思考过程与原因：该研究的对象是速溶咖啡（Instant coffee），属于咖啡与代用茶（A66）；研究的核心目的是地理产地认证（Geographical origin authentication），属于质量管理与鉴别（B94）。主要检测手段是基于数字图像（Digital image）提取颜色指纹（灰度、RGB、HSV直方图），属于光谱/成像分析技术（C14）。在AI与数字化方面，数据来源是常规图像数据（G11）。采用的算法包括DD-SIMCA和偏最小二乘判别分析（PLS-DA, E11），属于统计学习/机器学习方法（E01）。模型的主要任务是对咖啡产地进行分类/鉴别（F01）。 -
基于视觉变换器和多尺度卷积融合，在自然污染花生中检测黄麴毒素
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 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分黄麴毒素是一种高毒性物质，存在于花生中，对人体健康构成严重威胁。为解决这一问题，提出了一种改进的1D-MCFViT模型，结合视觉变换器与多尺度卷积融合，用于在自然条件下检测黄麴毒素污染的花生。数据清理后，获得了RGB图像中无法区分的采样，并提取了其光谱曲线。数据生成采用自编码器网络和高斯重采样技术，显著提升了模型的特征辨别能力。该方法在验证集上实现了92.6%的准确率和94.4%的召回率，比1D-ViT模型提高了1.23%的准确率。比较了传统机器学习和深度学习模型在数据生成前后的表现，证明该方法优于传统机器学习模型以及主流深度学习模型。这种方法提高了黄麴毒素检测的准确性，并为开发在线检测设备奠定了坚实基础。
思考过程与原因：该研究的对象是花生（Peanuts），属于油料与坚果（A16）；研究的核心问题是检测黄曲霉毒素（Aflatoxin），这是一种真菌毒素/化学污染物（B52），其成分归类为其他特殊成分（D85）。主要检测手段涉及从图像中提取光谱曲线进行分析，属于光谱技术（C14）。在AI与数字化方面，研究提出了一个结合了卷积神经网络（CNN, E21，多尺度卷积融合）和视觉Transformer（ViT, E22）的混合模型（1D-MCFViT）。此外，研究还使用了自编码器（Autoencoder, E24）和高斯重采样技术进行数据生成，这属于数据增强（Data Augmentation, E44）策略。模型的任务是对是否受污染进行分类/检测（F01）。使用的数据是光谱数据（G13，1D光谱曲线）。 -
基于代谢组学的枸杞酒中挥发性与非挥发性物质形成机制分析
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
主成分分析/判别分析 组学数据食品标签
酒精饮料 代谢组学 植物化学/生物活性成分本研究旨在通过整合广泛靶向和靶向代谢组学分析，探究枸杞酒酿造过程中代谢物谱的动态变化。在发酵过程中，共鉴定出1092种非挥发性代谢物，包括黄酮类、酚酸类和生物碱类，以及80种挥发性化合物，如醇类、酯类和酸类。主成分分析（PCA）和正交偏最小二乘判别分析（OPLS-DA）显示，不同发酵阶段存在显著的代谢变化，其中最显著的变化发生在主发酵阶段。京都基因与基因组百科全书（KEGG）通路分析强调，芳香族化合物降解和黄酮类生物合成相关通路显著富集。此外，非挥发性代谢物与挥发性代谢物之间的相关性分析凸显了酚类化合物在塑造枸杞酒风味特征中的关键作用。这些发现为优化枸杞酒酿造工艺和提高其整体质量提供了宝贵的见解。
-
从预测到设计：利用可解释的深度学习、量子化学模拟和模块替换揭示鲜味肽的机制
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 过程控制与实时优化 组学数据食品标签
其他添加剂与配料 品质、结构与理化性质 动力学建模 蛋白质与氨基酸本研究通过深度学习模型和模块替换策略筛选并设计了鲜味肽。该预测模型整合了预训练、增强特征和对比学习模块，准确率为0.94，比其他模型高出2–9%。通过虚拟水解、模型预测和感官评估，鉴定了鲜味肽。肽EN、ETR、GK4、RK5、ER6、EF7、IL8、VR9、DL10和PK14与味精具有鲜味并增强鲜味。模块替代策略，即由鲜味肽的高度贡献模块替代苦肽中的相应模块，便于肽的设计和修饰。通过分子对接和活性位点分析，揭示了模块替换和味觉呈现的机制，揭示取代肽与T1R1/T1R3形成更多氢键和疏水相互作用。 氨基酸D、E、Q、K和R对鲜味至关重要。本研究为快速检测鲜味肽提供了高效工具，并扩展了数据库
思考过程与原因：该研究的对象是鲜味肽（Umami peptides），作为一种增味成分，归类为其他食品添加剂/配料（A119）；研究的核心关注点是鲜味（Umami taste）的预测与机制解析，属于品质、风味与理化性质（B03）的研究。主要成分是多肽/氨基酸（D11）。研究方法结合了分子对接与量子化学模拟（C64）。在AI与数字化方面，研究构建了深度学习（Deep Learning, E21）模型（包含预训练和对比学习模块），并特别强调了模型的可解释性（Interpretable, E43）。模型的任务包括对鲜味肽的筛选/识别（F01）以及基于模块替换策略的肽段设计（F04，属于生成/优化任务）。使用的数据是肽段序列数据（G15，组学/分子数据）。
