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 1098 条结果
-
机器学习在食品安全中的新兴应用
查看原文
2021
Annual Review of Food Science and Technology
中科院一区JCR一区
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 缺陷/异物检测与定位 知识抽取与语义理解 组学数据 大规模数据集食品标签
复合/即食/餐饮食品 食品安全与风险评估 标准/法规/数据库分析食品安全继续威胁着公众健康。机器学习在利用大量新兴数据集来提高食品供应的安全性和减轻食品安全事件的影响方面具有潜力。食源性病原体基因组以及包括文本、交易和贸易数据在内的新型数据流，在机器学习方法的推动下得到了新兴应用，例如抗生素耐药性预测、病原体来源归因以及食源性疫情检测和风险评估。在本文中，我们将对食品安全领域的机器学习进行简要介绍，并概述其最新进展和应用。由于许多此类应用仍处于起步阶段，与机器学习相关的一般性和特定领域的缺陷及挑战已开始被认识和解决，这对于大规模数据集及其相关机器学习模型在食品安全应用中的未来使用和部署至关重要。
-
理解与调控食品蛋白质结构与功能：来自实验与计算机模拟的视角
查看原文
2020
Annual Review of Food Science and Technology
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化 知识抽取与语义理解 合成/仿真数据为主食品标签
蛋白质与氨基酸 品质、结构与理化性质 感官科学与消费者研究 过程控制与数字化 理化与结构表征蛋白质的结构和相互作用在决定许多食品、饮料和药品的质量属性方面起着关键作用。融入对蛋白质结构与功能关系的多尺度理解，能够让人更深入地洞察并更好地控制相关的作用过程。通过机器学习整合来自实验测量、人类感官小组和计算机模拟的数据，有助于构建将蛋白质的纳米级特性与食品的物理化学性质、生理效果及口味联系起来的统计模型。本综述重点介绍了几个在分子、介观和多尺度层面进行的高级计算机模拟案例，这些案例揭示了食品中各种作用的机制，从而为对其进行控制提供了便利。此外，本综述还为那些刚接触计算机模拟建模的人提供了一个实用的模拟工具箱。
-
利用顶空固相微萃取-气相色谱-质谱联用（HS-SPME-GC-MS）和合成采样结合随机森林研究中果咖啡的感官特征（通过发芽/发酵过程）
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据食品标签
咖啡饮料 感官科学与消费者研究 光谱/色谱/质谱等分析方法中果咖啡饮品的感官属性取决于咖啡豆的化学成分，尤其是挥发性有机化合物（VOCs）的含量。然而，这些化合物的相对丰度可能会随着咖啡豆的成熟阶段而变化。本研究采用顶空固相微萃取-气相色谱-质谱联用（HS-SPME-GC-MS）技术以及结合合成采样的随机森林分析方法，探究了经麦芽处理和酿酒酵母发酵后，对中果咖啡感官属性起作用的挥发性有机化合物。研究鉴定出94种挥发性有机化合物，其中约10%有助于区分该饮品的感官特征。发酵64小时后，与天然咖啡相比，使用果糖（T2）、葡萄糖（T3）和纤维素酶（T4）进行的麦芽处理提高了感官评分。咖啡浆果的浸渍/发酵过程产生了强烈的微生物活性，有利于挥发性有机化合物的生成。机器学习方法在挥发性有机化合物的识别方面被证明是有效的。气味活性值表明，通过该方法识别出的挥发性有机化合物与咖啡饮品的感官特征相关。
A66 (咖啡/可可): 研究对象为“中粒咖啡 (Coffea canephora)”，即罗布斯塔咖啡，属于 A66。
B08 (感官科学与消费者研究): 核心任务是研究“感官特性 (sensory attributes/profile)”与挥发性化合物的关系，并进行感官评分。
C14 (光谱/色谱/质谱): 使用了 "HS-SPME-GC‐MS" 技术分析 VOCs。
D55 (风味/香气成分): 重点关注“挥发性有机化合物 (VOCs)”对感官的影响，使用气味活度值 (OAV) 验证，归为 D55。
E13 (随机森林/决策树): 摘要明确指出使用 "Random forest analysis" 结合合成采样 (synthetic sampling) 来识别关键 VOCs。
F01 (分类/鉴别): 任务是“区分 (discriminating)”不同的感官轮廓并鉴定关键化合物，属于分类/特征选择任务。
G18 (多模态/融合数据): 研究结合了化学仪器数据 (GC-MS) 和感官评分数据 (Sensory scores)，属于 G18 (化学+感官融合)。 -
基于机器学习和多尺度验证的青稞二肽基肽酶-IV抑制肽
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
随机森林 分类/鉴别/等级评定 设计/生成与推荐食品标签
其他谷物与块根 血糖、血脂与代谢相关功能 统计建模与仿真 蛋白质与氨基酸青稞在调节血糖方面显示出潜力，可能是二肽基肽酶-IV（DPP-IV）抑制剂的天然来源。本研究采用机器学习（梯度提升决策树）和虚拟筛选技术，从青稞蛋白中筛选出DPP-IV抑制肽。三种候选肽（FPQPQ、FPRPF和YGGWN）的半数抑制浓度（IC50）分别为675.47、766.80和281.76μM。其中，FPQPQ和FPRPF是竞争性DPP-IV抑制剂，而YGGWN为非竞争性抑制剂。通过分子对接和分子动力学模拟研究了它们的抑制机制，并运用网络药理学揭示了它们在体内的多靶点、多通路降血糖活性。这种综合方法实现了对生物活性肽的高效精准筛选，并为其抑制作用提供了机制层面的见解。研究结果表明这些肽在血糖调节方面具有潜力，为基于青稞蛋白的功能性食品开发提供了支持。
A17 (其他谷物与块根): 研究对象为“青稞 (Highland barley)”，属于大麦的变种，归为 A17 (其他谷物)。
B42 (抗氧化/抗炎/抑菌等功能): 核心功能是“调节血糖 (regulating blood glucose)”和“DPP-IV 抑制 (DPP-IV inhibitory)”，属于生物活性/功能评价。
C06 (统计建模与仿真): 研究使用了 "Molecular docking" (分子对接) 和 "Molecular dynamics simulations" (分子动力学模拟) 以及 "Network pharmacology" (网络药理学)，均属于计算模拟技术。
D11 (蛋白质与氨基酸): 研究物质为“肽 (Peptides)”。
E13 (提升树/随机森林): 摘要明确指出使用了 "Gradient Boosting Decision Trees" (GBDT, 梯度提升决策树) 进行筛选。
F01 (分类/鉴别): 机器学习用于“筛选 (screen)”具有抑制活性的肽（活性/非活性分类或活性排序），归为 F01。
F06 (设计/生成与推荐): 从青稞蛋白中“发现/鉴定 (identify)”新的功能肽序列，具有一定的发现性质。
G15 (组学数据): 输入数据为肽序列特征，结合虚拟筛选，属于组学/化学信息学数据。 -
使用优化的深度学习方法对肉类新鲜度进行检测和分类
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
肉类/蛋类与水产品 品质、结构与理化性质准确评估肉类新鲜度对于确保食品安全、减少浪费以及在食品行业维持质量控制至关重要。将肉类高效分类为新鲜、半新鲜和变质等类别，对生产商、零售商和消费者而言都必不可少。本文提出了一种基于深度学习的肉类新鲜度分类方法，该方法包括三个主要阶段：（1）使用视觉几何组19（VGG19）卷积神经网络进行特征提取；（2）使用经粒子群优化（PSO）增强的改进人工原生动物优化器（IAPO）进行特征选择；（3）基于优化后的特征集进行分类。所提出的方法与五种成熟的优化技术进行了基准测试。实验结果表明，该方法的准确率达到98.51%，灵敏度为98.54%，特异性为99.24%。这些发现表明，该方法可能适用于食品安全监测系统中的肉类新鲜度分类。
A21 (畜肉及其制品): 研究对象为“肉类 (meat)”，通常此类使用 VGG 等计算机视觉模型的肉类新鲜度数据集多基于猪肉或牛肉，归为 A21。
B03 (品质、结构与理化性质): 核心任务是“新鲜度评估 (assessment of meat freshness)”，属于品质评价。
C12 (计算机视觉): 方法基于 "VGG19" 卷积神经网络，输入为图像数据，属于计算机视觉技术。
D85 (其他特殊成分): 检测目标为“新鲜度 (freshness)”状态（新鲜/半新鲜/腐败），归为 D85。
E21 (卷积神经网络 CNN): 核心模型是 VGG19，一种经典的 CNN 架构。
E45 (特征工程与选择): 论文重点在于第二阶段的 "feature selection"，使用了改进的人工原生动物优化器 (IAPO) 和粒子群优化 (PSO)，属于特征选择/工程。
F01 (分类/鉴别): 任务是将肉类分为“新鲜、半新鲜、腐败”三类，属于分类任务。
G11 (可见光/图像数据): 数据源为肉类图像。
