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
-
机器学习增强型电化学传感平台用于食品样品中多种抗生素的同时检测
查看原文
2026
Food Chemistry
中科院一区JCR一区
Ting Zhang, Yuan Sun, Xin Zhang, Wenyu Cui, & Rui Liu
计算机标签
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据食品标签
液态乳 蜂蜜等天然糖 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分食品中抗生素残留的日益普遍对全球公共健康构成了重大威胁。为应对这一关键问题，我们开发了一种新型人工神经网络（ANN）增强的电化学传感器，该传感器基于ZIF-8/MnMoO4/MWCNTs修饰的玻碳电极（GCE），具有高灵敏度，可实现复杂食品基质中氯霉素（CAP）、呋喃唑酮（NFZ）和甲硝唑（MNZ）的同时检测。该传感器表现出优异的分析性能，检测线性范围宽（0.005 - 00.00 μM），检测下限极低，分别为0.08 μM（CAP）、0.29 μM（NFZ）和0.23 μM（MNZ）。值得注意的是，通过良好分离的氧化峰实现了高选择性，而且共存物质的干扰可忽略不计（在牛奶和蜂蜜样品中进行的实验得到了可靠的结果，回收率在90.0%至110.0%之间，相对标准偏差（RSD）低于4.07%，这证实了该传感器在实际食品基质检测中的适用性）。为了进一步提高分析性能，采用了机器学习（ML）模型来优化检测参数并提高预测准确性。具体而言，利用了反向传播人工神经网络（BP-ANN）进行信号解析，实现了超过93%的预测准确率，并显著降低了回归误差。总体而言，这种智能电化学传感器在实际食品样品分析中表现出稳健的性能，突显了其作为未来多种抗生素残留食品安全监测实用平台的巨大潜力。
-
基于集成学习解析中国传统酸面团的微生物群落复杂性
查看原文
2026
Food Research International
中科院一区JCR一区
Yan Liu, Jinyu Wang, Shiwei Zhou, Feijiang Li, Honghong Cheng, Zheqing Zhu, Jiale Wang, Aowen Liu, Ting Lu, Yujuan Yu, Senmiao Tian, Min Zhang, Faizan Ahmed Sadiq & Guohua Zhang
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据 多模态/融合数据食品标签
谷物发酵食品 其他品质相关性质 过程优化与控制策略 发酵工艺与动力学 理化与结构表征 咖啡因酸面团发酵依赖于由真菌和细菌组成的动态微生物群落，其形成受种间相互作用和环境条件的影响。本研究分析了来自中国十个省份的115份酸面团样品（包括26份干样品和89份湿样品）的微生物群及理化特性，并采用集成学习方法将微生物组成与理化性质相关联，揭示了支撑发酵结果和群落结构区域差异的关联关系。在干样品中，戊糖片球菌（39.46%）和短乳杆菌（11.02%）占主导地位，而湿样品则以旧大陆果乳杆菌（51.27%）为优势菌。酿酒酵母被认定为酸面团微生物群中的优势核心酵母菌种（在所有样品中检出率超过50%，且在各组中均位列前五）。扣囊复膜孢酵母、植物乳杆菌和肠膜明串珠菌为核心细菌菌种。集成学习与丰度排序鉴定出了西宫皮肤球菌、奥默柯达酵母及叶状巴克利酵母等稀有类群，尽管它们在酸面团微生物群中丰度较低，但与理化指标呈现显著相关性，不过其功能作用尚未明确。微生物群落结构与水分含量、pH值和总酸度等理化条件密切相关，这凸显了在设计用于酸面团发酵的稳定合成菌群时，考虑这些参数的重要性。本研究为不同区域和样品类型的酸面团微生物组结构与功能提供了基础性见解。通过将微生物群数据与理化特性相结合，我们证实了机器学习在揭示关键微生物-环境关系方面的潜力。这些研究结果为合理设计稳定、定制化的发酵剂以优化酸面团发酵提供了支撑。
-
基于 Transformer-GAN 条件生成近红外光谱用于乳成分光谱数据增强
查看原文
2026
Food Control
中科院一区JCR一区
Yinka Sikiru, Ben Aernouts, & Chyngyz Erkinbaev
计算机标签
生成对抗网络 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据 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 品质、结构与理化性质 光谱/色谱/质谱等分析方法 微生物计数与生长曲线准确建模牛奶化学成分对于有效质量控制、消费者安全和法规合规十分重要。然而，预测模型性能常受数据稀缺、类别不平衡以及光谱数据复杂依赖关系限制。在牛奶质量监测中，尿素和体细胞计数尤其容易受到这些问题影响。为应对这些挑战，本研究提出并开发了光谱 Transformer 生成对抗网络 ST-GAN，这是一种基于 Transformer 的生成模型，用于有条件生成光谱数据。ST-GAN 结合多头自注意力、位置编码以及包括相关性和均方误差在内的领域特定损失函数，以有效捕捉长程光谱依赖关系。该模型使用农场现场采集的原奶近红外光谱及其参考生化成分进行训练，生成的合成光谱能够保留原始数据的结构和统计特征。真实光谱与生成光谱的定量评估显示，Pearson 相关系数较高（≥0.998），最大均值差异最低为 0.0019。当生成光谱用于增强真实数据时，所有生化成分的预测性能均得到提升；但尿素的提升相对有限，预测 R2 达到 0.58。与五种基线生成模型相比，ST-GAN 始终取得更高预测准确性。
-
基于脂肪酸气相色谱指纹图谱结合机器学习的花生油掺假智能识别策略
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Guanglin Su, Ziwei Yao, Dan Wang, Xin Lv, Wenyang Jia, Ju Hui, Bojun Chu, Xiangyu Wang, Qianchun Deng, Honggang Huang & Fang Wei
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
植物油 其他安全问题 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究建立了一种基于机器学习的花生油掺假智能鉴别方法。共制备32个纯花生油样品与126个掺假样品，其中分别掺入5%~30%的大豆油、棕榈油、棉籽油或葵花籽油。纯油与掺假油的脂肪酸轮廓高度相似，采用主成分分析或热图难以有效区分。通过应用4种有监督机器学习算法（支持向量机SVM、随机森林、偏最小二乘、决策树），分类准确率得到显著提升。SVM模型表现最优，对单一掺伪与混合掺伪样品的识别准确率可达98.18%~100%。SHAP分析确定木焦油酸（C24:0）为关键掺假标志物。回归模型在训练集与测试集的决定系数R²分别为0.9153和0.7254。该方法为花生油掺假鉴别提供了准确、可解释的技术手段。
-
生成式人工智能奇怪吗？关于在感官和消费者研究中使用硅样本的考虑
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
Giovanbattista Califano, & Riccardo Vecchio
计算机标签
大语言模型 定量预测/回归分析 文本/知识库/法规数据 质构/流变/感官数据食品标签
感官科学与消费者研究 问卷/市场与消费者研究随着生成式人工智能越来越多地融入感官和消费者研究，人们开始关注这些工具可能引入的表征偏差。虽然合成受访者（即"硅样本"）在研究效率方面提供了潜在优势，但我们认为，其常规使用可能会使某些消费者行为模型常态化：连贯、表达清晰且结构理性的回应，这些回应系统性地滤掉了真实消费者决策中具有的矛盾性和模糊性。借鉴行为科学中的WEIRD批评，我们检视生成式人工智能是否嵌入了特定的文化假设和认知模型，而这些可能并不反映真实的消费者多样性。来自相邻领域的证据表明，人工智能工具可以提高研究生产力，同时缩小所提出问题的范围。在消费者研究中，这表现为路径依赖：在预测试和设计阶段上游使用生成式人工智能可能会影响哪些属性、假设和偏好叙事进入人类测试。随着人类与合成响应在在线小组中日益混合，研究人员必须对这些工具如何偏向某些形式的偏好表达而非其他形式保持谨慎。
