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
-
通过差分扫描量热法（DSC）和基于图的半监督学习（GSSL）对蜂蜜潜在掺假的区分
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 小规模数据集食品标签
甜味剂 质量管理与追溯系统 其他理化与结构表征 碳水化合物与糖类蜂蜜是一种宝贵的天然食品，因其营养和治疗特性而备受推崇。然而，蜂蜜掺假问题普遍存在，通常涉及植物糖浆的添加，给全球市场带来了重大挑战。本研究利用差分扫描量热法（DSC）这一热分析技术，对43个蜂蜜样品的热剖面进行了表征，包括含有高果糖玉米糖浆（HFCS）的正品和掺假样品，以及不同糖浆浓度的样品。采用主成分分析（PCA）和基于图的半监督学习（GSSL）来分类样本，实现了高准确率。结果显示，摻假水平增加导致含水量增加，玻璃转变温度（Tg）和热容差（ΔCp）降低。此外，已建立的K最近邻图和Kullback-Leibler发散（KL）有效地可视化了样本间的关系。将DSC与GSSL结合，提供了一种成本效益高、资源高效的方法，能够以最小的实验努力检测蜂蜜掺假，同时保持高度分类准确性。这种方法有望解决食品行业中的蜂蜜掺假问题。
思考过程与原因：该研究的对象是蜂蜜（Honey），归类为甜味剂（A115）；研究的核心问题是检测掺假（Adulteration，特别是高果糖浆HFCS），属于质量管理与鉴别（B94）。检测的目标成分是糖类/碳水化合物（D13）。主要分析手段是差示扫描量热法（DSC），这是一种热分析技术，归类为其他理化与结构表征（C15）。在AI与数字化方面，研究使用了主成分分析（PCA, E16）进行降维，并构建了K-近邻图（KNN graph, E14）来实现基于图的半监督学习（GSSL）。模型的主要任务是对蜂蜜是否掺假进行分类/鉴别（F01）。使用的数据是基于热分析的理化性质数据（G16，如Tg、ΔCp），样本量为43个，属于小规模数据集（G21）。 -
多源数据融合以实现大豆起源可追溯性：稳定同位素、元素组成与挥发性有机化合物
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据 多模态/融合数据 小规模数据集食品标签
其他谷物与块根 质量管理与追溯系统 矿物质与微量元素 其他植物化学物质根据欧盟《森林砍伐条例》（EUDR）的要求，确保大豆可持续的采购，需要高空间分辨率来追溯大豆的起源。应对这一挑战需要整合多种分析方法，使数据融合成为强大的解决方案。随着全球大豆需求在过去十年几乎翻倍，该行业面临食品欺诈、森林砍伐和气候变化等紧迫问题。本研究评估了四种数据融合策略——低阶、中主成分分析-随机森林（PCA-RF）、中均匀流形近似与投影-随机森林（UMAP-RF）以及高层次融合——使用来自巴西六个州的60个大豆样本数据。采用了稳定同位素分析、元素剖析和挥发性有机化合物表征等分析技术。高级数据融合实现了测试集100%的分类准确率，Mid-UMAP-RF紧随其后，达到99%，展示了数据融合在提升可追溯性和确保可持续农业实践中的作用。
思考过程与原因：该研究的对象是大豆（A17，归类为其他谷物/豆类）；研究的核心目的是解决产地溯源（Origin traceability）问题，属于质量管理与鉴别（B94）。检测的指标包括挥发性有机化合物（D55）、元素组成（D04）以及稳定同位素，通常涉及质谱等光谱/色谱分析技术（C14）。在AI与数字化方面，研究采用了多源数据融合（G18）策略，整合了不同化学指纹数据（属于组学/指纹图谱数据G15）。使用的算法包括随机森林（RF, E13）以及主成分分析（PCA）和UMAP（归类为降维/特征工程算法E16）。模型的主要任务是对大豆产地进行分类/鉴别（F01）。此外，样本量为60个，属于小规模数据集（G21）。 -
啤酒中二甲硫醚的顶空分析：基于纸基的智能手机比色法
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
酒精饮料 品质、结构与理化性质 显微与成像技术啤酒是全球最受欢迎、最广泛消费的饮品之一。在酿造和发酵的生产过程中，自然的独特风格和固有风味被产生。二甲基硫化物（DMS）对啤酒的风味特征有显著贡献。在低浓度时，其存在是理想的。然而，在高浓度时，这种味道会变得异常。啤酒中DMS的浓度通过智能手机比色法测量。一种基于纸张的分析装置（PAD）通过将碱性硝基醇（Nitroprusside）制成的色生成试剂相固定在明胶水凝胶中。通过头间取样及随后与固定试剂的反应，检测到低水平的DMS。通过捕捉PAD的数字图像，利用RGB色彩值确定浓度。在5至120微克DMS L浓度范围内，绿色色值（G值）观察到线性行为−1，皮尔逊系数为0.995，检测极限为2.7微克升−1.展示了高精度和准确性，RSD范围为0.79%至1.36%（n=6），真实性值分别在92.5%至104.4%之间，也满足AOAC对低水平分析物的要求。基于智能手机的比色法结果与拉格和全麦芽啤酒样品中DMS的色谱分析结果高度吻合。该方法是气相色谱法的廉价替代方案，用于DMS测量，使小型酿酒厂和精酿啤酒生产者能够监测产品中的异味。
思考过程与原因：该研究的对象是啤酒（Beer），属于酒精饮料（A65）。研究关注的核心指标是二甲基硫化物（DMS），这是影响啤酒风味的关键挥发性物质，低浓度为风味，高浓度为异味，故属于品质、风味与理化性质（B03）的研究，成分归类为其他植物化学物质/挥发性风味物质（D55）。主要检测手段是基于纸基分析装置（PAD）的比色法（Colorimetry），属于光谱/成像分析技术（C14）。在AI与数字化方面，研究利用智能手机拍摄PAD的数字图像，获取RGB颜色值（G11，常规图像数据），并通过分析G值与DMS浓度之间的线性关系（属于基础统计学习/机器学习E01），实现了对DMS浓度的定量预测（F02）。 -
多维成分定量分析：探究中国商品芒果品种
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
随机森林 分类/鉴别/等级评定食品标签
新鲜水果 品质、结构与理化性质 理化与结构表征 植物化学/生物活性成分不同的芒果品种在食品品质和营养价值方面表现出不同的特性，这既影响市场潜力，也影响消费者偏好。我们假设，基因型驱动的代谢物变化是这些品质差异的基础。为了验证这一点，我们采用定量分析结合机器学习的方法，对中国12个主要芒果品种的理化特性、营养成分、与口感相关的化合物、具有生物活性的植物化学物质以及抗氧化能力进行了系统评估。凯特芒果的总可溶性糖和类黄酮含量最高；水仙芒和黄玉芒的有机酸含量最高；鸡蛋芒的类胡萝卜素最丰富；苹果芒的多酚含量和抗氧化活性最强。相关性分析表明，酚类物质和类胡萝卜素分别是抗氧化能力和颜色的主要贡献者。随机森林模型识别出15种具有区分性的生物标志物。这些发现支持了基因型依赖性代谢物变化导致芒果品质多样性这一假设，并为品种选择和高价值芒果产品的定向开发提供了理论基础。
-
基于风味组学的机器学习辅助番茄酱香气特征预测
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 定量预测/回归分析 组学数据食品标签
其他果蔬制品/植物类 感官科学与消费者研究 组学与高通量技术风味是番茄酱（TP）加工中的关键质量指标；然而，传统方法在快速且准确的评估方面往往存在不足。为解决这一局限，本研究将风味组学与机器学习相结合，以表征热加工过程中的感官变化和挥发性物质变化，并构建感官质量预测模型。通过顶空固相微萃取-气相色谱-质谱（HS-SPME-GC-MS）分析，共鉴定出71种挥发性化合物。相应的感官分析显示，随着加热强度的增加，感官特性从“新鲜度”“果味”和“花香”逐渐向“煮熟味”和“酸味”转变。在评估的五个模型中，多层感知器（MLP）表现出卓越的性能（R²＞0.99），能有效捕捉挥发性物质与感官反应之间的非线性关系。变量重要性分析为每个感官描述符确定了10种关键挥发性物质。此外，外部验证和香气重组实验证实了该模型的稳健性和泛化能力。这些发现为番茄酱生产中的风味质量预测和实时控制提供了实用框架。
