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
-
利用光谱技术和多变量分析评估运动补充剂肌酸的真实性
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 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 小规模数据集食品标签
其他添加剂与配料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他特殊成分肌酸是全球摄入量最高的补充剂。尽管研究证实其安全性和有效性，掺杂有害物质仍可能对消费者构成严重健康风险。本研究旨在开发利用与化学计量分析相关的光谱技术评估肌酸补充剂纯度的方法。共收集并分析了149个样品，采用高性能液相色谱（HPLC）、中红外（MIR）和近红外（NIR）光谱。HPLC分析鉴定出117个纯样本和32个掺假样本。用于预测肌酸浓度和分类样本为纯或掺假的模型取得了显著结果，MIR和NIR的准确率均超过95 %。研究结果表明，HPLC、MIR和NIR结合多变量分析，在验证肌酸补充剂的真实性并准确预测其浓度方面具有有效性。
思考过程与原因：该研究的对象是肌酸补充剂（Creatine supplements），属于其他添加剂与配料（A119）。研究的核心目的是评估其真实性/纯度（Authenticity），检测掺假行为，这属于质量管理与鉴别（B94）。主要检测手段包括中红外（MIR）和近红外（NIR）光谱以及高效液相色谱（HPLC），归类为光谱/色谱分析（C14）。检测的目标成分肌酸归类为其他特殊成分（D85）。在AI与数字化方面，研究使用了多变量分析（Multivariate analysis，属于化学计量学/统计学习E01）对光谱数据（G13）进行处理。模型任务同时涵盖了将样品分类为纯品或掺假品的分类/鉴别（F01），以及预测肌酸浓度的定量预测（F02）。样本总量为149个，属于小规模数据集（G21）。 -
肉类科学与可解释人工智能的协同：量化脆度梯度以认证罗非鱼片加工的质量认证
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 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据食品标签
鱼肉 品质、结构与理化性质 质量管理与追溯系统 质构与流变测试 光谱/色谱/质谱等分析方法脆罗非鱼因其独特的口感和高市场需求，已成为受欢迎的水生产品。然而，不同酥脆阶段的菲力在营养价值和口感上差异显著，直接影响产品质量和消费者体验。因此，快速准确识别罗非鱼片的脆度对农民、商人和消费者来说至关重要。高光谱成像（HSI）技术已成为食品质量检测中的强大工具，提供了丰富的光谱信息，可用于详细分析。本研究提出结合HSI和双支卷积神经网络（DB-CNN）的方法，用于分类不同清晰度阶段的罗非鱼鱼片。通过分别处理VNIR和SWIR数据并在特征空间中融合，DB-CNN实现了95.74%的分类准确率，优于传统聚变方法。Grad-CAM++可视化验证了模型对关键光谱特征的识别。该方法为酥脆罗非鱼片的真伪鉴定和质量控制提供了有效解决方案，展示了其在食品和水产品分类中更广泛应用的潜力。
思考过程与原因：该研究的对象是罗非鱼（Tilapia），属于鱼类（A23）。研究的核心关注点是脆度（Crispness），这属于质构与流变性质（C12/B03品质与理化性质），同时也涉及产品的真伪鉴定/质量认证（Authentication/Quality control, B94）。主要检测手段是高光谱成像（HSI），覆盖了VNIR和SWIR波段，属于光谱/成像分析方法（C14）。在AI与数字化方面，研究使用了双支卷积神经网络（DB-CNN, E21）来处理高光谱数据（G12），并进行了VNIR和SWIR数据的融合，属于多模态/数据融合（G18）。模型的任务是对不同脆度阶段的鱼片进行分类（F01）。此外，研究还使用了Grad-CAM++进行可视化验证，这属于模型可解释性（XAI, E43）技术。 -
基于感官评估和多元统计分析，比较六种菊花的香气特征，为甜香菊花的栽培提供策略
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 主成分分析/判别分析 分类/鉴别/等级评定 组学数据食品标签
食用花卉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质可食用菊花品种香气较轻，而野生菊花则表现出多样的香气特征。本研究研究了六种菊花的香气特征，包括菊花变种芳香（Cia）、菊花（Cl）、菊花（Cv）、菊花（Ci）、菊花（Co）和菊花'黄香'（CmHXL）。通过感官评估和头空间固相微萃取气相色谱质谱（HS-SPME-GC–MS），鉴定出79种挥发性化合物。主成分分析（PCA）和正交偏最小二乘判别分析（OPLS-DA）发现了17个标记化合物，包括醋酸銭、桉树醇和菊花酮，将该物种分为三个不同的气味组。此外，研究了Cia中芳香化合物跨代遗传的情况。结果显示，醋酸甲酯含量显著下降（跨代减少63.16%至95.79%），显示香气遗传面临挑战。本研究发现菊花是一种独特的芳香资源，尽管存在遗传挑战，仍为甜香可食用品种的发展提供了新见解。
思考过程与原因：该研究的对象是菊花（Chrysanthemum），通常作为花茶饮用或食用，归类为茶与茶饮料（A62）；研究的核心科学问题是评估其香气特征（Aroma characteristics），属于品质、风味与理化性质（B03）的研究。主要分析手段是HS-SPME-GC–MS（气相色谱-质谱联用，C14），检测的目标物质是挥发性化合物（Volatile compounds），归类为其他植物化学物质/挥发性风味物质（D55）。在AI与数字化方面，研究使用了主成分分析（PCA, E16）和正交偏最小二乘判别分析（OPLS-DA, E11），这些属于经典的化学计量学/统计学习方法（E01）。模型的主要任务是基于香气标记物对不同菊花品种进行分类/分组（F01）。使用的数据是基于质谱的挥发组学/指纹图谱数据（G15）。 -
结合超高压水解和机器学习发现虾头中增咸肽的多维策略
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 组学数据食品标签
甲壳类 副产物与废弃物高值利用 组学与高通量技术 盐替代品与其他代谢敏感因子本研究旨在制定一项综合策略，以探究将超高压（UHP）辅助酶解与机器学习和分子对接相结合的方法是否能有效从南美白对虾虾头中识别出咸味肽（SPs）。超高压处理（400兆帕，30分钟）显著增强了蛋白质水解效果，相比传统方法，产生了更多低分子量肽（<3千道尔顿，占比66.44%）。肽组学鉴定出211种差异表达肽，这些肽富含与咸味相关的疏水性/酸性残基（如天冬氨酸、谷氨酸）。整合两亲伪氨基酸组成（APAAC）和集成分类器（KNN-LR-RF）的机器学习模型在咸味肽识别方面实现了优异的预测性能。分子对接发现5种新型肽（DDL、TVT、DPS、VM、PM）与TMC4受体具有较强的结合亲和力（-5.103至-6.251千卡/摩尔），并通过固相合成和电子舌分析得到了验证。这项研究为虾加工废弃物的增值利用以及通过生物活性肽的发现推动低钠食品原料的开发提供了一种可持续的方法。
-
利用环境电离质谱结合机器学习，同时测定农药残留及快速鉴别玉米生产来源
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 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
玉米 化学污染物 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他特殊成分食品可追溯性是质量控制和食品安全的关键方面。本研究开发了一种分析时间为13分钟的高通量分析系统，用于检测玉米中的农药残留，实现了0.59至14.38 μg/kg的低检测限（LOD）。通过该方法，不同来源的玉米样本中发现了不同的外源农药特征，并将其分为六类。基于这些差分分析物，应用了化学计量模型来探讨玉米样品之间的光谱差异，同时观察到部分簇重叠。随后，采用随机森林（RF）模型，实现了卓越的预测表现，训练准确率达到100%，外部验证准确率达98.1%，显示出高的起源可追溯性。因此，该高通量系统结合机器学习，展现出快速检测农药残留和产地识别的巨大潜力，显著促进食品质量监测。
思考过程与原因：该研究的对象是玉米（Corn/Maize，A12）；研究的核心问题包括两个方面：一是农药残留检测，属于食品安全中的化学污染物（B52），目标成分农药归为其他特殊成分（D85）；二是产地溯源（Origin traceability），属于质量管理与鉴别（B94）。主要检测手段是环境电离质谱（Ambient ionization mass spectrometry），属于光谱/质谱分析方法（C14）。在AI与数字化方面，研究使用了质谱数据（G13）。算法上，除了基础的化学计量学模型（统计学习E01）外，重点使用了随机森林（RF, E13）。模型的任务是基于农药特征谱对玉米的产地进行分类/鉴别（F01）。
