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 2456 条结果
-
便携式近红外光谱和单类建模用于荞麦粉真实性鉴别
查看原文
2026
Food Control
中科院一区JCR一区
P.E.T. Firmo, M.F. Pimentel, & C.F. Pereira
计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据食品标签
小麦 杂粮 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法荞麦是一种不含麸质的假谷物，食品工业常用荞麦粉替代小麦、大麦和黑麦等含麸质谷物粉。由于荞麦粉市场价值较高，容易受到以降低成本为目的的掺假；若掺入含麸质原料，还会给乳糜泻消费者带来风险。本研究开发了无需试剂的便携式近红外光谱策略，用于荞麦粉真实性鉴别。研究将 35 种不同品种荞麦粉分别掺入小麦粉、大麦粉和黑麦粉，掺假浓度为 2.5%-40%（w/w）。分类方法采用软独立建模分类法、数据驱动 SIMCA 和单类偏最小二乘。其中，DD-SIMCA 在区分真实样品和掺假样品方面达到 100% 效率。此外，研究还建立包含三种掺假物的全局 PLSR 模型，用于预测样品掺假水平。表现最佳的 PLSR 模型采用 SNV 预处理，掺假含量预测决定系数 R2pred 为 0.92，预测均方根误差为 3.61%（w/w）。这些结果表明，便携式近红外设备可有效保障荞麦粉真实性，并量化荞麦粉中的掺假水平。
-
利用拉曼光谱和化学计量学-深度学习模型对水牛乳掺假进行定性与定量分析
查看原文
2026
Food Control
中科院一区JCR一区
Henggang Li, Wangchang Li, Qiyang Xie, Duming Cao, Dilin Xiao, Jianghua Shang, & Xiaogan Yang
计算机标签
卷积神经网络 偏最小二乘法 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） 液态乳 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类水牛乳营养丰富，但容易发生掺假，从而对食品安全构成挑战。本研究利用拉曼光谱分析水牛乳、豆浆、荷斯坦牛乳以及五种常见添加物，包括氯化铵、尿素、碳酸氢钠、柠檬酸钠和蔗糖。研究系统评估了六种光谱预处理方法以提升模型性能。在定性检测方面，结合乘法散射校正预处理的 PLS-DA 模型对纯水牛乳、水掺假和豆浆掺假获得了优异的分类准确率，最高可达 100%。在定量分析方面，研究建立了 PLS 和 MSC-CNN 回归模型。MSC-CNN 模型对碳酸氢钠和柠檬酸钠具有较高预测性能，R2 分别为 0.97 和 0.93，RMSEP 小于全量程的 5%。碳酸氢钠和柠檬酸钠的检测限分别低至 17.4 mg/kg 和 20.9 mg/kg，满足实际灵敏度需求。与已有基于 PLS 的方法相比，本研究方法提高了预测精度，并拓展了低浓度检测能力。所提出的拉曼-深度学习策略为乳品掺假监测和质量控制提供了一种快速、准确且无损的解决方案。
-
从感官代谢组学到快速分析和机器学习：葡萄酒口感建模展望
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
María-Pilar Sáenz-Navajas, Chelo Ferreira, & David W. Jeffery
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 质构/流变/感官数据食品标签
新鲜水果 酒精饮料 氧化、褐变等化学变化 特征风味 代谢组学葡萄酒是一类复杂的天然产物，涉及葡萄成分的生物转化以及陈酿过程中的持续化学演化。尽管人们已经积累了大量关于葡萄酒化学和感官性质的知识，但仍存在研究空白，并不断出现新的挑战。感官代谢组学正在推动相关边界拓展，可用于识别与感官接受度和产品质量相关的重要化学贡献物。对于数字化转型中的葡萄酒行业，快速分析方法和及时获得结果同样关键，但这些方法会产生大量数据。机器学习正快速成为处理多维数据集和建模复杂葡萄酒现象的灵活而有力的方法。本文从感官代谢组学、快速分析和机器学习角度讨论葡萄酒口感建模，为涩感、质感和感官品质相关的数据驱动研究提供展望。
-
樱桃谷鸭肉提取物中的新型鲜味肽：鉴定、感官特征及味觉感知机制
查看原文
2026
Food Chemistry
中科院一区JCR一区
Yu Hua, Yaqi Cao, Tianran Huang, Guanghui Li, & Ming Huang
计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主 质构/流变/感官数据食品标签
禽肉 特征风味 体外模型 蛋白质与氨基酸本研究旨在鉴定鸭肉中的鲜味肽，并研究其与T1R1/T1R3受体的相互作用。通过计算机机器学习预测和分子对接筛选，发现了六种新型鲜味肽，其感官阈值范围为0.09至0.30毫摩尔/升。分子动力学模拟和结合能计算显示，它们与T1R1受体的稳定相互作用主要由静电作用和氢键网络介导。T1R1受体的关键残基为Arg277、Ser306和Arg307。这些结果为风味科学中鲜味肽的筛选创造了一种有效的方法，并促进了对鲜味感知机制的理解。
-
酱香型白酒生产的数字化转型：融合风味物质分析、机器学习识别与多轮次遗传算法勾调
查看原文
2026
Food Research International
中科院一区JCR一区
Xiaotong Lyu, Qi Jiang, Kemin Linghu, Yifei Zhou, Mengqian Yu, Chunhui Wei, Liangcai Lin, Qi Zhou, Zhengshu Zhou & Cuiying Zhang
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 设计/生成与推荐 时序传感器/物联网数据 组学数据食品标签
酒精饮料 特征风味 感官评价与方法学 其他过程控制与数字化研究 常规理化指标测定 光谱/色谱/质谱等分析方法 风味组学酱香型白酒的勾调是通过将不同蒸馏轮次、风味差异显著的基酒按特定比例混合而成，其风味差异主要源于挥发性与非挥发性风味化合物的不同。为探索数字化辅助勾调方法，本研究首先构建各轮次基酒的感官剖面，确定特征描述符；随后系统开展风味组学分析，明确风味化合物的种类、含量及变化规律；搭建适用于多轮次酱香型白酒的8传感器电子鼻系统；基于风味组学数据，创新性构建两种智能模型：一是基于机器学习、融合电子鼻与色谱数据的轮次精准识别模型，二是融入多维风味化合物数据集、基于遗传算法的优化勾调模型。经感官评价与色谱分析验证，优化后的遗传算法模型被选定为酱香型白酒勾调的优选模型，为传统勾调工艺的数字化转型提供科学依据。
