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
-
基于 MALDI-TOF 测定蜂花粉微生物谱的简便分析方法
查看原文
2026
Food Control
中科院一区JCR一区
Estela Prieto, Ana M. Ares, José Bernal, & Silvia Valverde
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 文本/知识库/法规数据食品标签
复合/即食/餐饮食品 微生物安全 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 蛋白质与氨基酸蜂花粉是蜜蜂采集的天然食品补充剂，具有显著营养价值和治疗潜力，包括抗氧化、抗菌和抗癌等特性。由于其吸湿性强，蜂花粉容易促进微生物生长；然而欧盟尚无针对蜂花粉的专门法规，因此微生物污染是决定其质量的关键因素。为此，本研究使用多种培养基从蜂花粉中分离细菌和真菌菌落，并基于裂解过程进行蛋白提取，随后通过 Biotyper-MALDI-TOF 系统进行鉴定。研究还采用不同工具评价方法的绿色性和蓝色性，结果显示这些方法环境友好且实用。研究利用所提出的样品处理方法分析了 32 个样品，并采用基于线性模型的化学计量技术处理数据。结果发现样品中同时存在有益菌和潜在致病菌，包括地衣芽孢杆菌、藤黄微球菌和烟曲霉等代表性种类。这些发现强调了蜂花粉微生物群表征的重要性，并表明 MALDI-TOF 是分析该基质中可培养微生物群落的快速有效工具。
-
结合离子迁移谱和机器学习的橄榄油地理来源真实性鉴别
查看原文
2026
Food Control
中科院一区JCR一区
Ana Isabel Rodríguez-Gutiérrez, Marta Barea-Sepúlveda, Oumaima Boutoub, María José Aliaño-González, Miguel Palma, & Ceferino Carrera
计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜水果 植物油 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 标准/法规/数据库分析 其他植物化学物质近年来，确保橄榄油等高价值农食产品地理来源真实性和可追溯性的需求显著增长，这既源于保护原产地名称保护产品的需要，也与出口市场质量标准合规有关。本研究优化了一种基于顶空-气相色谱-离子迁移谱的方法，用于分析来自西班牙、葡萄牙、摩洛哥和意大利四个产地橄榄油样品中的挥发性有机化合物。研究采用 Box-Behnken 设计和响应面法优化实验条件，获得最佳条件为：0.33 g 样品在 35 °C、500 rpm 振荡下孵育，顶空形成时间 9 min，进样体积 0.11 mL。通过重复性和中间精密度评估方法精密度，变异系数均低于 5%。随后，该方法被用于分析四个产地的 24 个商业橄榄油样品。基于 IMSS 方法进行先进机器学习分析后，随机森林算法建立的预测模型可准确区分不同地区样品。最后，研究基于随机森林算法开发了 Shiny 网页应用，并按最佳条件分析 4 个新的商业样品后输入算法，产地分类准确率达到 100%。同时，这些样品经香气品评专家三角测试分析，平均判别准确率为 68%。
-
用于检测牛奶中尿素、亚硝酸盐和淀粉掺假的微流控纸基分析装置（μPAD）的开发及智能手机应用辅助检测
查看原文
2026
Innovative Food Science & Emerging Technologies
中科院一区JCR一区
K.R. Jolvis Pou, Muthukumaran Packirisamy, & Vijaya Raghavan
计算机标签
智能手机/其他食品标签
液态乳 食品安全与风险评估 化学污染物 常规理化指标测定 其他特殊成分 碳水化合物与糖类牛奶是均衡膳食的重要组成部分，有助于生长发育和维持整体健康。然而，普遍存在的掺假现象引发了人们对其安全性和品质的严重担忧。本研究旨在开发一种微流控纸基分析装置（μPAD），用于同时检测牛奶中的尿素、亚硝酸盐和淀粉掺假；同时开发一款智能手机应用，以自动判读比色响应。研究采用直接化学图案化方法制备 μPAD。首先将微流控图案印制在透明薄膜上并用作正掩模，随后使用便携式喷笔，以恒定喷涂速率 0.15 mL/s、喷涂高度 5 mm，将 FluoroPel 800 溶液均匀喷涂于 Whatman 4 号滤纸表面，从而形成疏水图案。干燥后，在装置中分别负载用于检测牛奶样品中亚硝酸盐、尿素和淀粉掺假的特异性试剂。智能手机应用基于 Thunkable 工作空间开发，并将 Imagga 集成为应用程序编程接口（API）平台。涂层纸的接触角约为 119°±3°，证实基底已成功由亲水性转变为疏水性。结果表明，液体可完全限制在亲水区域内，未出现向涂层边界之外扩散或渗漏的现象。颜色响应分析显示，随着掺假物浓度升高，尿素检测区由低浓度时的淡黄色变为橙黄色；当亚硝酸盐掺假水平由 0.5 g/L 增至 3 g/L 时，亚硝酸盐检测区由浅紫色逐渐变为深红紫色；淀粉检测区的颜色则由初始的棕色转变为 20 g/L 时的深蓝色。智能手机应用能够有效检测 0.5～3.0 g/L 的尿素和亚硝酸盐以及 5.0～20.0 g/L 的淀粉掺假水平。掺假物含量与所观察颜色变化之间的高度相关性证明了该 μPAD 的灵敏度和可靠性。该平台可为牛奶现场掺假筛查提供一种低成本、快速的工具，尤其适用于难以开展实验室检测的资源有限地区。
-
TFD-YOLO-LSTM：一种基于智能手机的番茄货架期实时预测模型
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Ahmed Islam ElManawy, Jihan Wang, Ahmed Fathy Ghazal, Sarfaraz Hussain, Durray Shahwar, Fujun Li, & Xinhua Zhang
计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 抗氧化/抗炎等功能 显微与成像技术番茄富含抗氧化物和必需营养素，但由于货架期预测不准确，采后损失严重。传统品质评价方法通常具有主观性、侵入性且不适用于实时应用。本研究提出一种基于智能手机的多任务番茄货架期无损评价模型，称为 TFD-YOLO-LSTM。该模型结合 YOLOv12 从 RGB 图像中实时检测并分类番茄（新鲜、未成熟、腐烂），并结合双向长短期记忆网络（Bi-LSTM）融合深度视觉特征和贮藏温度数据来预测货架期。研究在三种番茄品种及常温和运输两种条件下进行评估。TFD-YOLO-LSTM 优于现有模型 YOLOv10 和 YOLOv11，mAP@50 达到 95.5%，分类准确率为 89%，同时保持轻量化结构，其参数量仅为 YOLOv12 的 42%。此外，该模型的货架期预测性能比传统机器学习和时间卷积网络高出 57.7% 以上，在不同温度和番茄品种下 R2 为 0.83 +/- 0.02，MAE 为 2.18 +/- 0.38 天。该高效、易用的工具有望通过精准货架期估计优化供应链决策，减少食物浪费并促进可持续农业。
-
基于伏安电子舌和化学计量学的苹果汁质量控制
查看原文
2026
Food Control
中科院一区JCR一区
Dhanus Raj Kanaga Raj, Xavier Cetó, Manel del Valle, & Douglas Fernandes Barbin
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 时序传感器/物联网数据食品标签
果蔬汁/浓缩汁 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 多酚与黄酮富含多酚水果的真实性和安全性需要快速可靠的评价工具。因此，本研究采用由改性环氧-石墨电极构成的伏安电子舌，在腐败、掺假和品种区分情景下评价苹果汁。通过传感器优化，研究从 8 个初始传感器中确定 3 个关键传感器，包括 SnO2 纳米颗粒修饰电极、Ag 纳米颗粒修饰电极以及钴(II)酞菁氧化还原催化剂修饰电极，从而实现准确多酚分析。主成分分析用于揭示样品之间的定性差异，欧氏距离基于同一数据集量化掺假程度。偏最小二乘判别分析可对苹果品种进行分类，准确率为 100%；偏最小二乘回归可预测腐败研究中的经过时间，R2 = 0.99。整合所有实验数据后，PLSR 模型能以很高准确度预测总多酚含量，R2 = 0.99。这些结果表明，伏安电子舌可作为一种低成本、快速工具，用于评估苹果汁化学谱，并为富含多酚饮料的质量评价提供可扩展方案。
