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
-
利用综合广义动力学与融合机器学习对烤牛肉饼中结合态和游离态杂环胺的同步形成及预测
查看原文
2026
Food Chemistry
中科院一区JCR一区
Yongliang Ma, Yajun Zhou, Xinyu Jiang, Zhiyuan Ma, Qingshu Ma, Zongping Li, & Zuozhao Wang
计算机标签
机器学习/统计学习 梯度提升决策树 定量预测/回归分析食品标签
畜肉 传统热加工 加工污染物 动力学建模 其他特殊成分杂环胺（HAs）是在烹饪过程中形成的致癌物，其在真实食品基质中的形成模式仍未完全理解。本研究开发了通用的动力学和机器学习（ML）模型，以表征不同加热条件下烤制牛肉饼中的结合型和游离型HAs。结合型HAs占主导地位，在225°C达到峰值（662.31 ± 69.30 ng g⁻¹），但在250°C略有下降，而游离型HAs呈线性模式，在250°C达到峰值（27.80 ± 3.28 ng g⁻¹）。阿累尼乌斯分析显示结合型HAs的活化能较高，表明其对温度更为敏感。葡萄糖和肌酸的快速降解，以及蛋白质和脂质的氧化，与HAs的累积密切相关。人工神经网络（ANN）-极端梯度提升（XGBoost）融合模型实现了高预测精度（测试 R² > 0.9175），重现了时间-温度与 HAs 复杂的非线性关系。本研究将动力学建模与机器学习相结合，提供了优化加工条件和减轻 HAs 暴露的实用框架。
-
利用基于傅里叶变换红外光谱的混合特征选择优化卷积神经网络，对炸油中3-氯丙烷-1,2-二醇进行定量分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Xi Wang, Guijie Li, Jinjuan Yang, Siyi Wang, Shibing Zhang, & Qi Zhao
计算机标签
卷积神经网络 偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 加工污染物 光谱/色谱/质谱等分析方法 其他特殊成分为了解决定量3-单氯丙烷-1,2-二醇（3-MCPD）中的挑战，这是一种在油精炼过程中形成的具有肾毒性、生殖毒性和致癌性特性的有毒化合物，构建了一种结合基于傅里叶变换红外光谱的混合特征选择策略的卷积神经网络（CNN）。在构建CNN之前，通过SiPLSR-IRIV方法选择了相关光谱变量，实现了97%的变量减少。在最佳条件下，该模型获得了0.9689的决定系数（R²C）和0.0734的校准均方根误差（RMSEC）。检测限（0.41 μg g⁻¹）和定量限（1.23 μg g⁻¹）符合欧盟对油中3-MCPD检测的监管标准。这种混合卷积神经网络（CNN）方法在性能上优于传统方法，同时计算成本更低，光谱数据采样范围更窄，为食用油加工行业的质量监测提供了可靠的解决方案。
-
冷藏条件下早期微氧化的监测：铁及氧化标志物预测草鱼品质损失
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Xin Xiong, Ruifang Feng, Huijuan Zhang, Ning Ding, Shuai Zhuang, Yuqing Tan, Huawei Ma, Hui Hong, & Yongkang Luo
计算机标签
机器学习/统计学习 定量预测/回归分析食品标签
鱼肉 冷藏与冷冻保藏 货架期预测与品质劣变动力学 氧化、褐变等化学变化 常规理化指标测定 传统统计分析与回归 矿物质与微量元素有效的冷链控制需要在出现明显腐败之前识别早期品质劣变，但目前适用于冷藏鱼类的简便早期指标仍较少。本研究评估了采用常规方法测定的游离铁能否预测冷藏草鱼的早期品质损失。草鱼片在4 ℃下分别贮藏0、24、48和120小时，并设置对照组和去铁胺（DFO）螯合处理组。研究测定了游离铁、脂质和蛋白质氧化指标〔硫代巴比妥酸反应物（TBARS）、丙二醛（MDA）、三氯乙酸可溶性肽〕以及肌原纤维碎片化指数（MFI），并通过蛋白质组学和组织学分析阐释其机制。简单线性模型显示，仅游离铁即可解释各项劣变终点的大部分变异（均为p＜0.0001）：TCA、TBARS、MDA和MFI模型的R²分别为0.9367、0.9237、0.8834和0.8494。经校准的斜率可根据一次游离铁测量估算后续损伤程度；当TBARS达到0.10 mg MDA/mg肉的临界值时，预测游离铁含量约为38 μg/g，对应消费者可接受期内的24～48小时。DFO处理使120小时的游离铁含量降低13%，并减轻了氧化损伤，支持将铁调控作为品质控制手段。将游离铁作为早期单参数预警指标，可把作用机制与实际应用相连接：依据具体产品设定阈值并常规监测游离铁，可在明显腐败前触发加强温度控制、食品级螯合或酸化处理以及抗氧化包装等预防性干预，从而改善冷藏鱼类的货架期管理。
-
探究冲击损伤对库尔勒香梨光学特性的影响及梨组织中光传播的蒙特卡罗模拟
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Saiwei Yu, Dayang Liu, Daocheng Li, Hongrui Hao, Mianqing Yang, & Guoliang Chen
计算机标签
支持向量机 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 微观结构与成像 光谱/色谱/质谱等分析方法 显微与成像技术近红外光谱和高光谱成像在库尔勒香梨冲击损伤无损检测中显示出较强潜力。为研究冲击损伤影响光学特性的机制，本研究在 940-1650 nm 波段分析完整梨以及冲击后 3、24 和 48 h 梨样的光学参数、微观结构和内部品质，并采用多层蒙特卡罗（MCML）模拟追踪梨组织中的光传播。结果表明，随着损伤后时间延长，细胞等效直径和圆度增加，而细胞壁厚度和硬度下降。果肉在 976 和 1195 nm 处的吸收系数随时间升高，果皮在 1198 和 1460 nm 处也呈现类似但较弱趋势。约化散射系数在完整组织中最高，并随时间下降；其与硬度、细胞壁厚度和细胞等效直径的相关性更强，平均绝对相关系数超过 0.85。MCML 模拟表明，漫反射可作为检测梨冲击损伤的有效指标，并随时间下降。在 1063 nm 处，损伤 48 h 的样品沿深度轴能量分布最深，而完整样品最低，说明该波长对损伤检测至关重要。基于约化散射系数并结合预处理算法的支持向量机模型取得最佳分类性能，训练集和测试集准确率分别为 92.05% 和 90.30%。本研究为采后库尔勒香梨冲击损伤无损光学检测提供了基础认识。
-
便携式近红外高光谱技术与机器学习融合，实现豌豆蛋白溶解度的同时预测与分类
查看原文
2026
Food Chemistry
中科院一区JCR一区
Jingwen Zhu, Xuchun Zhu, Bingyu Chen, Koris András, Feiyue Ren, Zhaowei Han, Xinmiao Yao, Ye Zhou, & Hongzhi Liu
计算机标签
偏最小二乘法 随机森林 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 蛋白质配料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸便携式近红外（NIR）光谱结合多元分析被用于开发豌豆蛋白溶解度的定量和分类模型。最优定量模型（D1-CARS-PLSR）使用了十四个特征波长，在预测集上的决定系数（R P 2）为0.93，预测均方根误差（RMSE P）为0.03。跨年份验证得到的决定系数（R 2）为0.99，平均绝对误差（MAE）为0.01，平均相对误差（MRE）为3.86%。最优分类模型（S-G-D2-UVE-RF）仅需四个特征波长，在预测集上达到100.00%的准确率。所有类别的平均精确率、召回率和 F1 分数均超过 0.90，同时五折交叉验证的准确率为 96.25%，整体跨年度验证的准确率为 91.30%。置换检验结果的平均准确率为 38.60%。本研究实现了豌豆蛋白溶解性快速、无损的分析，为食品质量控制提供了理论基础。
