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
-
利用近红外数据的层级多分类建模揭示青香蕉粉复杂掺假场景
查看原文
2026
Food Control
中科院一区JCR一区
Marcio Felipe Oliveira, Diego B. Batista, Tainara Ferreira Soares, Cristiane Assumpção Henriques, Aderval S. Luna, & Licarion Pinto
计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集食品标签
小麦 玉米 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 传统统计分析与回归 碳水化合物与糖类青香蕉粉等粉末食品容易被低价面粉经济性掺假。本研究提出一种基于近红外光谱的三步层级化学计量策略，用于检测、分类和定量青香蕉粉掺假。研究在实验室制备真实青香蕉粉，并以燕麦粉、小麦粉和玉米粉作为建模掺假物按不同比例混合，同时将玉米淀粉作为未建模外部掺假物用于验证。近红外数据集包含 345 条光谱，包括真实样品、建模掺假样品和玉米淀粉掺假样品。第一步比较一类模型和多分类模型用于异常检测，第二步识别已知掺假物类型，第三步利用 PLS 校准模型定量掺假水平。多分类和层级模型分类准确率超过 95%，GA-LDA 对建模掺假物类型识别达到 100% 准确率，PLS 定量的定量限约为 0.7%-1.2%。该方法为粉末食品复杂欺诈场景提供了可扩展、无损的检测框架。
-
机器学习阐明了口腔微生物群与衰老过程中甜味感知下降之间的关联
查看原文
2026
npj Science of Food
中科院一区JCR一区
Haojie Ni, Sizhe Qiu, Lingxiang Wen, Wenlu Li, Xiaoli Zhang, Hong Zeng, & Yanbo Wang
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据食品标签
特征风味 肠道健康与微生物相关功能 微生物组/宏基因组学由衰老引起的味觉感知下降可能导致老年人食欲减退和营养不良，对健康老龄化构成了重大挑战。在口腔中，口腔微生物群、食品颗粒与味觉受体在唾液流动下广泛相互作用。尽管有人假设口腔微生物群可能影响味觉感知，但证据仍然有限。在此，我们证实了这一假设，并进一步提出特定口腔细菌属与年龄相关的甜味感知变化存在显著关联。观察到显著的年龄相关味觉变化：与年轻人相比，老年人在甜味敏锐度的检测阈值和识别阈值上显著提高。回到口腔微生物组，我们通过机器学习识别出与甜味感知相关的关键细菌属，包括嗜血杆菌属（Haemophilus）、厌氧乳杆菌属（Lachnoanaerobaculum）、梭杆菌属（Fusobacterium）、聚集杆菌属（Aggregatibacter）和口菌属（Oribacterium）。相应地，我们在口腔呼出气中发现了几种挥发性化合物，尤其是内源性化合物异戊二烯，它们与口腔细菌属及甜味敏感性显著相关。我们在甜味感知相关细菌和代谢物中的发现可以成为早期衰老的潜在生物标志物，为老龄人群的健康提供及时的新线索。
-
用于检测奶粉三聚氰胺掺假的智能热成像方法
查看原文
2026
Food Control
中科院一区JCR一区
Alicia Ortiz-Chiliquinga, Ana M. Pérez-Calabuig, Sandra Pradana-López, John C. Cancilla, & José S. Torrecilla
计算机标签
卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据 文本/知识库/法规数据食品标签
液态乳 食品安全与风险评估 其他安全问题 显微与成像技术 标准/法规/数据库分析本研究开发了一种无损、快速、低成本且准确的方法，结合红外热成像和卷积神经网络，尤其是 ResNet34 架构，用于检测并半定量分析奶粉中的三聚氰胺。研究将三种类型奶粉与不同浓度的三聚氰胺（0.5-10 ppm）混合，每个浓度均制备三次以确保可重复性。加热后，在冷却过程中采集了近 28,500 张热成像图像。数据集的 90% 用于卷积神经网络训练和内部验证，其余 10% 保留用于盲测。所得算法能够按奶粉类型和三聚氰胺浓度对热成像图像进行分类，总体准确率超过 98%。这一性能表明，该方法有潜力作为检测食品欺诈和保障乳制品质量的可靠工具，其经验检测限为 0.5 ppm，显著低于婴幼儿配方奶粉的监管阈值。
-
使用BO-CDs作为比率荧光传感报告剂对酒类和饮料中的单宁酸进行可视化
查看原文
2026
Food Chemistry
中科院一区JCR一区
Wei Zhang, Zhen-quan Yang, Lixia Xiao, Xuechao Xu, Tianzhu Guan, Wenyuan Zhou, Xiaowei Tang, Xiaojuan Gong, & Qin Hu
计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据食品标签
酒精饮料 其他饮料 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮这项工作报道了基于BO-CDs的比率荧光纳米探针（RFP）用于单宁酸（TA）可视检测的首次开发。通过蓝色发光的B-CDs与橙色发光的O-CDs的静电自组装构建，BO-CDs在400 nm激发下表现出449 nm和595 nm的双重发射。加入TA后，595 nm的发射被淬灭，而449 nm的信号保持稳定。该RFP显示出两个线性检测范围，分别为0.01 - 5.0 μM和5.0 - 25.0 μM，超低检测限（LOD）分别为7.65 nM和1.12 nM。值得注意的是，TA引发了明显的荧光颜色转变，从橘黄色到玫瑰粉，最终变为蓝紫色，从而促进了智能手机辅助和纸基可视检测平台的发展，其检测限分别为1.11和1.07 μM。该传感平台已成功应用于葡萄酒和饮料的现场总酸检测，并取得了令人满意的结果，凸显了基于智能手机集成CDs的RFP作为现场总酸分析便携工具的巨大潜力。
-
通过深度序列建模实现任务驱动且可解释的高光谱波段选择：以苹果碰伤检测为例
查看原文
2026
Food Control
中科院一区JCR一区
Shiwei Chen, Chaoxian Liu, Shan Zeng, Chengyu Zhang, Weiqiang Yang, Wei Tao, & Zhiguang Yang
计算机标签
循环神经网络 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术 常规理化指标测定 碳水化合物与糖类高光谱成像适用于水果无损品质评价，但其高维度和冗余波段会降低模型效率和可解释性。本研究提出一种面向早期苹果碰伤检测的任务驱动、可解释波段选择框架。研究将高光谱波段视为按波长排序的序列，利用 LSTM 网络建模相邻波段之间的局部光谱动态，并通过 Transformer 自注意力机制捕捉长距离波段依赖关系和分配任务自适应波段权重。注意力引导的稀疏机制选出一组紧凑且具有物理意义的波段，这些波段与水分变化、碳水化合物变化和细胞损伤有关。研究使用红富士、寒富和红星 3 个品种共 100 个苹果，经受控碰伤诱导后从多个方向采集高光谱图像。该方法在早期碰伤检测中达到 98.43% 的精确率、98.29% 的召回率和 0.98 的 F1 值。结果表明，局部序列建模、全局注意力和可解释波段选择相结合，可提升水果高光谱品质检测能力。
