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 339 条结果
-
基于深度学习增强的感应耦合等离子体原子发射光谱法用于绿茶产地与等级的多变量认证
查看原文
2025
Food Research International
中科院一区JCR一区
Yiqing Sun, Xiaocheng Song, Siyuan Yang, Ning Lu, Zhenhui Gao, Lingshuai Kong & Jinhua Zhan
计算机标签
主成分分析/判别分析 深度学习 分类/鉴别/等级评定 组学数据食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 矿物质与微量元素绿茶的产地和等级显著影响其市场价值，但同时对其进行认证仍然具有挑战性。本文开发了一种结合多种金属元素和反向传播神经网络（BPNN）的稳健方法，用于同时识别茶叶的产地和等级。该策略利用感应耦合等离子体原子发射光谱法（ICP-AES）分析绿茶（如龙井茶）样品中多种元素的含量。BPNN对产地和等级的识别准确率分别达到92.59%和88.89%。随后，使用沙普利加性解释（SHAP）来可视化模型的识别过程，并将其降维性能与主成分分析（PCA）进行比较。尽管两种方法在识别产地方面表现出相似的性能，但基于SHAP的优化在茶叶等级分类方面被证明更有效。本文提出的策略为茶叶产地和等级的同时识别与认证建立了一种简单可靠的方法。
-
使用电子鼻与多元算法快速预测迷迭香中关键非挥发性化合物含量
查看原文
2025
Food Control
中科院一区JCR一区
Quanzeng Wei, Jingjing Fang, Zhengli Zhang & Wenjing Ma
计算机标签
偏最小二乘法 深度学习 定量预测/回归分析 时序传感器/物联网数据食品标签
香精香料 特征风味 光谱/色谱/质谱等分析方法 风味组学为建立一种快速、简便的方法来预测迷迭香中关键非挥发性成分的含量，本研究采用电子鼻（E-nose，含18个传感器S1–S18）、顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS）以及液相色谱-质谱联用技术（LC-MS）对迷迭香中的化合物进行分析，并结合聚类分析和主成分分析（PCA）对数据进行处理。GC-MS共检测到161种挥发性化合物，包括：40种醇类、2种芳香烃、5种酚类化合物、2种呋喃类、1种含硫化合物、6种醚类、6种醛类、2种有机酸、5种萜烯、19种酮类、16种酯类，以及其他57种化合物。同时，利用LC-MS测定了迷迭香样品中咖啡酸、新泽兰素（nepetin）、木犀草素（luteolin）、芹菜素（apigenin）、地奥司明（diosmetin）、迷迭香酸（rosmarinic acid）、鼠尾草酸（carnosic acid）和鼠尾草酚（rosmanol）等关键非挥发性成分的含量。电子鼻用于分析迷迭香的气味特征，PCA结果表明，利用电子鼻区分迷迭香品质是可行的。此外，本研究基于电子鼻数据，分别构建了偏最小二乘法（PLS）模型和人工神经网络（ANN）模型，用于预测迷迭香中关键非挥发性成分的含量。与PLS模型相比，所构建的ANN模型具有更强的预测能力。结果表明，利用气味传感器（电子鼻）预测迷迭香中非气味性成分的含量是可行的。该研究为开发基于电子鼻的迷迭香快速检测方法提供了理论基础和技术支持。
-
嵌入式系统的轻量级深度学习模型高效预测油菜籽中的油脂和蛋白质含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Mengshuai Guo, Huifang Ma, Xin Lv, Dan Wang, Li Fu, Ping He, Desheng Mei, Hong Chen & Fang Wei
计算机标签
深度学习 模型设计/优化策略 定量预测/回归分析 可见光/RGB/视频数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 过程监测与在线检测 显微与成像技术 蛋白质与氨基酸 脂质与脂肪酸传统的油菜类蛋白质和油脂含量测定方法通常耗时、劳动密集且成本高昂。本研究开发了一款移动应用，采用优化的深度学习方法，通过输入油菜籽图像，实现低成本、无损且实时预测油菜籽中的蛋白质和油脂含量。在测试模型中，FasterNet-L表现出最佳性能，预测判定系数为（Rp2油脂含量为0.9366，蛋白质含量为0.8828。油脂和蛋白质含量的预测均方误差（RMSEP）分别为0.6982和0.6498，残差预测偏差（RPD）为3.88和2.92。此外，采用了三种剪枝方法，其中通过生长正则化进行神经剪枝效果最佳，预测速度提升13.18%，模型规模减少15.79%。最后，该方法可以扩展并应用于其他油料作物，实现快速的质量鉴定和检测。
-
深度学习驱动的乳清蛋白酶解物抗高血压特性优化：多酶组合策略
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Shuai Jiang, Fan Mo, Wenhan Li, Sirui Yang, Chunbao Li & Ling Jiang
计算机标签
深度学习 设计/生成与推荐食品标签
乳清及乳清制品 蛋白质配料 抗氧化/抗炎等功能 血糖、血脂与代谢相关功能 过程优化与控制策略 小动物实验 数值仿真 蛋白质与氨基酸本研究利用深度学习技术对乳清蛋白水解物中的降压肽进行了优化。通过使用大型语言模型（LLM），我们确定了一种最优的多酶组合（MC5），其在浓度为 1 毫克/毫升时的血管紧张素转换酶（ACE）抑制率为 89.08%，显著高于单一酶水解的结果。MC5（1 毫克/毫升）表现出出色的生物稳定性，在模拟消化后，ACE 抑制率仅下降了 6.87%。在体内实验中，MC5 使高血压大鼠的收缩压和舒张压分别降低至 125.00 和 89.00 毫米汞柱。MC5 显著降低了炎症标志物（TNF-α 和 IL-6）的水平，并提高了抗氧化酶活性（SOD、GSH-Px、GR 和 CAT）。与 MC 组相比，MC5 组的血清肾素和 ET-1 水平分别降低了 1.25 倍和 1.04 倍，而血清 NO 含量增加了 3.15 倍。此外，分子对接显示了四种具有高 ACE 结合亲和力的强效肽（LPEW、LKPTPEGDL、LNYW 和 LLL）。这种方法展示了将计算方法与传统水解过程相结合的可行性，从而能够开发出针对高血压的有效饮食干预措施。
-
多传感器融合与深度学习用于苹果腐败的批次监测与实时预警
查看原文
2025
Food Control
中科院一区JCR一区
Zhiming Guo, Yiyin Zhang, Haidi Xiao, Heera Jayan, Usman Majeed, Kwami Ashiagbor, Shuiquan Jiang & Xiaobo Zou
计算机标签
深度学习 图像分割网络 定量预测/回归分析 缺陷/异物检测与定位 时序传感器/物联网数据食品标签
新鲜水果 特征风味 食品安全与风险评估 风味组学苹果在储存和运输过程中极易受环境因素和真菌污染，导致腐败和经济损失。本研究提出了一种基于多传感器融合技术、深度学习和变量选择算法的苹果品质批次监测与实时腐败预警系统。使用气体传感器收集感染了炭疽病菌、灰霉病菌和贝仑格葡萄座腔菌的苹果释放的挥发性气体。通过变量选择算法优化关键特征变量，并利用化学计量学和深度学习建立腐败预测模型。基于长短期记忆网络和门控循环单元的模型表现出较强的预测性能，相关系数超过0.88。其中，针对贝仑格葡萄座腔菌的协同区间-门控循环单元模型效果最佳，其校正相关系数和预测相关系数分别为0.9473和0.9430。开发了一种采用多传感器融合技术的车载终端，用于采集温度、湿度、振动和气体数据，并将这些信息实时传输到远程监测预警平台。Si-GRU模型被确定为构建多环境因子腐败预警模型的最佳模型，其相关系数超过0.98，表明模型稳健且准确。该最优模型在平台上实现，为苹果腐败提供了可视化显示和分级警报。结果表明，多传感器融合技术能有效捕捉关键品质指标，变量选择算法能识别主要腐败因素，从而实现了基于深度学习的苹果腐败准确监测与实时预警。
