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
-
利用傅里叶变换红外光谱与深度学习快速鉴定天麻（赤箭）的地理来源真实性
查看原文
2025
Food Control
中科院一区JCR一区
Guangmei Deng, Jieqing Li, Honggao Liu & Yuguang Wang
计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集食品标签
其他根茎类 光谱/色谱/质谱等分析方法在对乌天麻（Gastrodia elata f. glauca，简称GEFG）进行品质评价时，建立一种能够准确判定其地理来源的分析方法至关重要。本研究采集了来自中国五个省份的371份GEFG样品，结合傅里叶变换红外光谱（FTIR）与深度学习技术，以及基于数据驱动的类类比软独立建模方法（DD-SIMCA），重点开展了干物质含量（DMC）分析、产地溯源及地理标志（GI）产区判别研究。结果表明，云南产GEFG与其他产地样品在干物质含量上存在显著差异，该差异可能与降水量、海拔、温度及土壤条件等环境因素相关。基于同步二维相关光谱（2DCOS）图像构建的残差神经网络（ResNet）模型表现出优异且稳定的性能，产地识别准确率达到100%。此外，DD-SIMCA模型能够有效区分GEFG的地理标志产区；对于非GI产区样品，该模型的特异性为71.38%。本研究为乌天麻的地理溯源及地理标志产区鉴别提供了一种具有应用前景的新方法。
-
含丁香精油微乳液壳聚糖膜结合深度学习对猪肉保鲜与新鲜度监测的影响
查看原文
2025
Food Control
中科院一区JCR一区
Qingying Luo, Xingyu Rong, Zhenkun Xiao, Xulin Duan, Yuan Zhou, Jie Zhang, Xiao Wang, Zhaoyuan Peng, Jianwu Dai, Yaowen Liu & Zhengfeng Fang
计算机标签
深度学习 分类/鉴别/等级评定 过程控制与实时优化 小规模数据集食品标签
畜肉 保鲜涂膜与保鲜剂 货架期预测与品质劣变动力学 理化与结构表征 常规理化指标测定 脂质与脂肪酸本研究制备了含有不同浓度丁香精油（CEO）微乳液的壳聚糖（CS）复合膜。其中，CEO微乳液浓度为0.8%的复合膜表现出最高的DPPH自由基清除率（77.44 ± 1.10%）。将该复合膜应用于6种不同n-3多不饱和脂肪酸（PUFA）含量的猪肉样品，并在4°C下贮藏，结果表明：含0.6%和0.8% CEO微乳液的复合膜能有效保鲜猪肉，使其货架期延长9天。此外，所构建的深度学习模型成功实现了对不同n-3含量猪肉样品新鲜度等级的实时监测。综上所述，壳聚糖/丁香精油微乳液复合膜结合深度学习技术，在猪肉保鲜与新鲜度智能监控方面展现出显著的应用潜力。
-
基于分子网络结合Mzmine与DeepMass技术快速发现苦木中具拒食活性的苦木素类成分
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Bensong Xin, Fuxin Hu, Qing Wang, Bin Lin, Xiaoxiao Huang & Shaojiang Song
计算机标签
深度学习 分类/鉴别/等级评定食品标签
水果/蔬菜与菌菇类/植物类 其他生物活性与健康效应 化学污染物 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他特殊成分小菜蛾是十字花科蔬菜作物的全球性害虫。随着化学抗性的增加，对天然高效植物农药的需求逐渐增长。苦木素类化合物因其独特的结构特征，通常表现出多种生物活性，包括杀虫、抗肿瘤和抗炎特性。本研究基于分子网络结合Mzmine与DeepMass技术，从苦木枝叶中分离得到6个新化合物（1–6）和13个已知苦木素类化合物（7–19），并通过光谱分析、量子化学计算及实验与计算ECD数据对比明确其结构和构型。所有化合物均评估了对小菜蛾的拒食活性，其中化合物6、8和12在200 μg/mL浓度下表现出中等拒食活性，选择性拒食率分别为72.1 ± 0.7%、82.8 ± 0.5%和83.7 ± 0.5%。本研究为开发新型植物源农药提供了植物化学基础。
-
机器学习用于从各种食品来源中精确识别王浆及其稳定的同位素和物理化学特性
查看原文
2025
Food Frontiers
中科院一区JCR一区
Zhaolong Liu, Xinlei Yu, Xin Yin, Dong Qiao, Hongxia Li, Lanzhen Chen
计算机标签
深度学习 随机森林 分类/鉴别/等级评定 组学数据食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 矿物质与微量元素蜂王浆（RJ）因其具有生物活性的化合物和有益效果而备受推崇。然而，由于其成分存在显著的差异性，且这种差异性受到蜜蜂所食用食物种类的多样性影响，因此蜂王浆的可追溯性和真实性受到了极大的挑战。本研究考察了三种食物来源——天然食物、糖水以及花粉替代品——对在不同花期生产出的蜂王浆中稳定碳（δ13C）和氮（δ15N）同位素分馏的影响。研究结果表明，来自天然蜂蜜和蜂巢粉的蜂王浆δ13C值较低，而来自糖水喂养的蜂王浆δ13C值较高。此外，不同蜂巢粉来源的δ13C值存在显著差异。蜂巢粉中的δ15N值与蜂王浆之间存在正相关关系（r = 0.89），而花粉替代品中的δ15N值与蜂王浆之间的关系则为负相关（r = -0.89）。应用机器学习（ML）模型（包括人工神经网络（ANNs）和随机森林（RFs）），通过利用计算出的分馏因子，基于食物来源和花期对红蜂（RJ）进行了 100% 的分类识别。这些发现表明，δ13C 和 δ15N 是鉴定红蜂真伪的可靠标志物，并强调了将同位素数据与食物来源条件相结合以实现精确识别的重要性。人工神经网络和随机森林模型的成功证明了将同位素分馏与机器学习相结合在实现高精度可追溯性方面的潜力，为蜂业的食品追溯和可持续发展提供了一个框架。
-
光谱技术与化学计量学结合快速检测食品掺假：应用、前景与挑战
查看原文
2025
Food Research International
中科院一区JCR一区
Shijie Shi, Kaidi Zhang, Nina Tian, Zhaoqiang Jin, Ke Liu, Liying Huang, Xiaohai Tian, Cougui Cao, Yunbo Zhang & Yang Jiang
计算机标签
机器学习/统计学习 深度学习 模型可解释性 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
食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法食品掺假是食品安全的重要威胁，且往往难以检测。传统分析方法通常复杂，不适合大规模样本筛查。本文综述了近三年来六种光谱技术——近红外光谱、傅里叶变换红外光谱、高光谱成像、拉曼光谱、紫外-可见光谱和荧光光谱——结合化学计量学方法在不同食品类别（粉状食品、肉类、蜂蜜、饮料、食用油和乳制品）掺假检测中的应用。讨论了每种光谱技术的原理、优势、局限性和样品适用性。详细探讨了光谱预处理、特征波长选择、数据划分方法、模型评价指标以及线性和非线性化学计量学方法（包括机器学习和深度学习模型）的整合。结果表明，虽然线性化学计量学方法仍被广泛使用，但其在处理光谱数据中非线性关系方面的局限性可能限制光谱技术的全部潜力。因此，未来研究应侧重于采用基于深度学习的化学计量学方法、增强模型可解释性、探索多光谱技术的数据融合策略，并推广便携式光谱解决方案用于实时、现场食品真实性鉴定。本综述为光谱技术与化学计量学相结合在应对食品掺假方面的现状、挑战和未来方向提供了全面视角。
