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
-
利用高光谱成像结合点到区间预测模型对猕猴桃冷藏质量属性的无损评估
查看原文
2026
Food Chemistry
中科院一区JCR一区
Sunli Cong, Jun Sun, Lei Shi, Chunxia Dai, Xiaohong Wu, Bing Zhang, Kunshan Yao, & Xiao Ge
计算机标签
卷积神经网络 循环神经网络 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜水果 冷藏与冷冻保藏 品质、结构与理化性质 质构与流变性质 显微与成像技术 碳水化合物与糖类猕猴桃冷藏质量属性的逐点-区间无损预测可以阐明质量变化，甚至为猕猴桃的动态定价或差异化营销提供强有力的决策支持。提出了结合卷积神经网络（CNN）、门控循环单元（GRU）、极端梯度提升（XGBoost）和核密度估计（KDE）的CGRU-XGB-KDE模型的高光谱成像（HSI）方法，用于评估硬度和总可溶性固形物（TSS）的逐点-区间预测性能。该方法在逐点预测方面取得令人满意的结果，测试集的决定系数（R²）分别为硬度0.95和TSS 0.93。此外，KDE方法表现出更好的区间估计性能，覆盖宽度基准（CWC）在硬度方面为0.3049 - 0.4019，TSS方面为0.1690 - 0.7589。将HSI技术与CGRU-XGB-KDE模型结合，对于实现猕猴桃冷藏品质的高精度和可靠点间预测是可行的。
-
结合 IRMS、1H NMR 和机器学习的多技术化学计量策略用于有机 UHT 牛奶真实性鉴别
查看原文
2026
Food Control
中科院一区JCR一区
Christophe B.Y. Cordella, Lucie Tsamba, Hélène Debetencourt, Jean-François Morin, Eric Jamin, Rodolphe Vidal, Solenne Jourdren, Emmanuelle Baconnier, Lyes Lakhal, Dominique Bertrand, & Freddy Thomas
计算机标签
模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
液态乳 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鉴别有机 UHT 牛奶真实性仍是监管部门和行业的重要任务，因为欺诈风险和消费者不信任持续存在。本研究评估一种双平台化学计量策略，将稳定同位素比质谱（δ13C、δ15N、δ18O、D/H）和 1H NMR 代谢谱与线性及非线性分类器结合。研究使用法国校正集（n = 171）和独立测试集（n = 172）进行模型开发与验证，并使用外部欧洲 UHT 样品集（n = 78）评估可迁移性。以非错误率表示，IRMS 和 NMR 模型单独在校正/测试中分别达到 97.1/94.8% 和 98.8/95.3%；结合 TOFoo 决策规则的决策层融合将测试 NER 提高到 96.5%，平衡准确率为 96.6%。在欧洲样品集上，组合方法总体 NER 为 83.3%，国家层面的差异反映市场异质性。除性能外，研究还阐明了传统标志物可能失效的情况：δ15N 常被报道为有机产品判别标志，但在本研究大数据集中有机奶和常规奶范围重叠，这与施肥方式、饲喂制度和 UHT 加工有关。研究还观察到与基质和加工过程相关的 NMR 模式偏离。通过系统比较线性和非线性模型，并选择一种针对有机类别高灵敏度优化的简单可审计规则，研究从概念验证推进到可运行的多技术筛查流程。结果支持在官方和私营部门控制中部署双平台、模型驱动的有机牛奶真实性筛查。
-
利用单核苷酸多态性信息估算食品中的品种组成比例
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Cheng-En Tan, & Ilias Tagkopoulos
计算机标签
机器学习/统计学习 定量预测/回归分析 合成/仿真数据为主食品标签
畜肉 巧克力及含可可制品 食品安全与风险评估 基因组学食品的品质可能受到其来源品种以及不同品种在混合物中组成比例的影响。本研究提出了一种利用单核苷酸多态性（SNP）等位基因频率数据和非负最小二乘（NNLS）优化方法，估算食品样品中品种组成比例的方法。为评价该方法的性能，研究构建了牛和可可两个模拟数据集，其中包含具有预设品种组成比例的模拟样品，并将预测比例与真实比例进行比较。结果显示，与均匀概率基线相比，该方法估算品种组成比例的平均绝对误差显著降低：牛数据集为4.1%比24.6%（p＝1.9×10⁻¹⁷），可可数据集为11.8%比24.6%（p＝1.1×10⁻⁸）。此外，该方法识别样品中占比最高品种的准确率也显著高于假设各品种等概率混合的基线，牛数据集分别为92%和28%，可可数据集分别为72%和28%。用于估算品种组成比例的相关代码已发布于GitHub仓库。
-
近红外高光谱成像结合元素和同位素分析表征养殖鲑鳟鱼类的地理来源
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Dawei Sun, Li Li, Cui Han, Chengquan Zhou, Chen Li, & Hongbao Ye
计算机标签
深度学习 智能手机/其他 随机森林 模型可解释性 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
鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素高价值鲑鳟鱼类的地理溯源对于减少食品欺诈和保障产品真实性至关重要。本研究将近红外高光谱成像与元素和同位素分析相结合，以表征鲑鳟鱼类的地理来源信息并提高判别模型的可解释性。首先对光谱数据与元素、同位素数据进行皮尔逊相关分析以构建光谱指纹，随后分别利用全光谱和提取的光谱特征建立机器学习与深度学习模型，并进一步采用随机森林模型预测关键元素和同位素。结果表明，多种元素和同位素与约900、1000和1200 nm附近的光谱区域高度相关，这些区域反映了新鲜鲑鳟产品地理来源的重要光谱特征。所有判别模型均获得了可接受的总体准确率（大于65%），其中序列前向选择-极限学习机（SFS-ELM）的精确率最高，达到88.13%。关键元素和同位素也得到了较准确的预测（R²大于0.70），并通过化学分布图进行了直观可视化。本研究融合高光谱成像与元素、同位素分析，为解释与产地判别最相关的光谱区域提供了化学计量学依据，增进了对模型可解释性和特征有效性的综合认识。
-
通过机器学习利用褐变指数和水分预测烘烤杏仁中的热诱发有害化合物
查看原文
2026
Food Chemistry
中科院一区JCR一区
Yunhao Xia, Buyu Liu, Kaijun Wang, Zhongwu Yu, Wenhan Yan, Changling Wu, Guanyu Fang, Fenghua Wu, Xingquan Liu, & Peng Wang
计算机标签
支持向量机 定量预测/回归分析 质构/流变/感官数据食品标签
豆类与坚果（及籽类） 传统热加工 加工污染物 氧化、褐变等化学变化 常规理化指标测定虽然烘焙对于发展杏仁的特征风味至关重要，但也可能导致热污染物的形成，这些污染物对人体健康构成潜在威胁。本研究调查了烘焙条件（110 - 150 ◦C，10 - 30 分钟）对前体降解、抗氧化活性以及丙烯酰胺（AA）和5-羟甲基糠醛（5-HMF）在杏仁中形成的影响。较高的烘焙强度会增加褐变指数（BI）和总酚含量，同时使还原糖和天冬氨酸含量下降。AA和5-HMF含量在150 ◦C/30 分钟达到峰值。使用L、a、b、BI和水分含量的支持向量回归（SVR）模型可以准确预测AA和5-HMF的水平（R² > 0.94，RMSE < 10%）。建议采用适度的烘焙条件（≤ 130 ◦C，≤ 15 分钟）以在产品安全性和质量之间实现最佳平衡。这些结果表明，机器学习是一种有效的食品风险评估方法。
