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
-
基于深度学习辅助的便携式拉曼光谱技术对虾中甲醛掺假的快速无损检测
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 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
甲壳类 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分甲醛（FA）是一种已知的致癌物，偶尔会被非法用作海鲜的防腐剂，而传统的甲醛残留检测方法往往无法满足无损检测的实际需求。在本研究中，我们开发了一种无需样品预处理、将便携式拉曼光谱仪与InceptionTime深度学习模型相结合的方法。该模型通过对虾表面的甲醛阴性和甲醛阳性拉曼光谱数据进行训练，在5毫克/千克（主要安全检测阈值）和100毫克/千克（滥用水平污染阈值）的检测阈值下，准确率分别达到84.40%和85.17%。代谢组学分析和权重可视化表明，该模型特别关注与特定氨基酸和虾青素结合蛋白相关的拉曼峰。此外，还发现两种氨基酸代谢物——硫代肉碱和棘肌碱是甲醛添加的直接指标。我们的模型为实时和现场甲醛检测场景提供了一种可现场部署且实用的方法。
A24 (甲壳类): 研究对象为“虾 (Shrimp)”，属于 A24。
B52 (化学污染物): 核心任务是检测“甲醛 (Formaldehyde, FA)”。甲醛作为非法防腐剂，属于有毒化学污染物/非法添加物，归为 B52。
C14 (光谱/成像): 使用“便携式拉曼光谱 (Portable Raman spectrometer)”。
D85 (其他特殊成分): 检测目标为甲醛，归为 D85。
E21 (卷积神经网络 CNN): 使用的 "InceptionTime" 模型是一种专为时间序列（一维数据，如光谱）设计的深度卷积神经网络架构，归为 E21。
E43 (模型可解释性 XAI): 摘要提及通过 "weight visualization" (权重可视化) 分析模型关注的拉曼峰（氨基酸和虾青素结合蛋白），这属于可解释性 AI 技术。
F01 (分类/鉴别): 任务是“检测 (Detection)”甲醛阳性/阴性，属于二分类任务 (FA-negative and FA-positive)。
G13 (光谱数据): 数据源为拉曼光谱。 -
结合GC-TOF/MS和GC-IMS数据分析的机器学习鉴别基酒质量等级：浓香型白酒案例研究
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
酒精饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他特殊成分基酒的风味对白酒的等级质量至关重要。本研究聚焦于五个不同浓香型白酒品牌的基酒等级。顶空固相微萃取气相色谱飞行时间质谱法（HS-SPME-GC-TOF/MS）和顶空气相色谱离子迁移谱法（HS-GC-IMS）分别鉴定出313种和188种化合物。有12种化合物与质量等级相关（|ρ| > 0.5），包括2-甲基丁酸乙酯、异戊酸乙酯、丙酸乙酯。研究还识别出了与质量等级显著相关的独特化合物。将融合数据集与八种有监督机器学习相结合后，随机森林（RF）和逻辑回归（LR）表现优异，准确率分别达到0.913和0.8696，F1分数分别为0.9167和0.8681，且在受试者工作特征（ROC）曲线和混淆矩阵中均呈现出良好的验证结果。本研究表明，将香气特征与机器学习相结合能够实现对浓香型白酒的准确、客观分级，为行业的质量控制提供了一个强有力的工具。
A67 (酒精饮料): 研究对象为“浓香型白酒 (Strong-flavor Baijiu)”，属于 A67。
B94 (质量管理与追溯系统): 核心任务是“质量等级判别 (Discrimination of quality grades)”和“行业质量控制 (Quality control in the industry)”，属于质量分级与管理。
C14 (光谱/色谱): 使用了 "HS-SPME-GC-TOF/MS" (气相色谱-飞行时间质谱) 和 "HS-GC-IMS" (气相色谱-离子迁移谱)，属于色谱/质谱联用技术。
D85 (其他特殊成分): 检测目标为挥发性风味物质（313 + 188 种化合物），归为 D85 (或 D55 香气成分，但在本体系中通常用 D85 涵盖 VOCs)。
E13 (随机森林/决策树): 摘要明确指出 "Random Forest (RF)" 表现优异 (accuracy 0.913)，故归入 E13。
F01 (分类/鉴别): 任务是将基酒划分为不同的“质量等级 (Quality grades)”，属于多分类任务。
G18 (多模态/融合数据): 核心方法是 "Integrating GC-TOF/MS and GC-IMS data" (融合数据集)，结合了两种不同仪器的指纹图谱数据，符合 G18 定义。 -
机器学习引导的中国巨型蝾螈皮肤抗光老化肽：高效制备与机制见解
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
随机森林 智能手机/其他 定量预测/回归分析 过程控制与实时优化食品标签
其他肉与水产品 其他生物活性与健康效应 过程优化与控制策略 细胞模型 蛋白质与氨基酸胶原蛋白肽因其多样的生物活性被广泛应用于食品系统，但面临劳动密集型酶检测和来自陆地源的人畜共患风险的限制。本研究开发了机器学习模型，优化中国巨蝾螈皮肤（GSS）的酶促水解以获取抗光老化肽。人工神经网络（ANN）在预测弹性蛋白酶抑制率（EIR）方面优于随机森林模型（ANN R2= 0.96 对阵右翼2= 0.82）。经过遗传算法优化的水解液在100 mg/mL时实现了59.33%的EIR。在UVB照射的HaCaT细胞中，2 mg/mL水解液分别使I型胶原蛋白和弹性蛋白提升279%和274%，而40 μg/mL则使HSF细胞表达提升41%（胶原蛋白）和69%（弹性蛋白）。机理分析确定了关键四肽PFGI作为调节MMP2（基质金属蛋白酶2）和EGFR（表皮生长因子受体）激活的调节因子，通过雌激素信号通路实现。这种机器学习驱动的方法高效地将GSS衍生的胶原蛋白肽作为皮肤健康功能食品的有效成分，同时解决了安全问题。
思考过程与原因： 该研究的原料是中国巨型蝾螈（娃娃鱼）皮肤，属于其他肉与水产品（A27）；研究目标是制备胶原蛋白肽（D11）并探究其抗光老化活性（属于其他生物活性B45），同时涉及酶解工艺的优化（B92）。验证手段使用了HaCaT和HSF细胞模型（C43）。在AI与数字化方面，研究对比了随机森林（RF, E13）和人工神经网络（ANN, 归类为其他传统机器学习E18），用于对弹性蛋白酶抑制率进行定量预测（F02），并结合遗传算法（GA）优化水解工艺参数，这属于过程控制与优化（F04）。由于数据来源于实验室酶解实验，样本量通常较小，归类为小规模数据集（G21）。 -
基于多光谱特征融合的普洱茶智能产地溯源
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 图像分割网络 分类/鉴别/等级评定 红外/拉曼光谱数据 多模态/融合数据食品标签
茶/茶饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他特殊成分为实现普洱茶产地的精准溯源，本研究提出了一种基于多光谱融合的深度学习方法。通过采集五个主要产地的拉曼光谱和近红外光谱数据，设计了改进的ECA-ResNet网络结构，该结构融入了优化的通道注意力机制，用于自适应特征提取与融合。在保持计算效率的同时，该网络有效利用了拉曼光谱对分子骨架振动的敏感性以及近红外光谱对官能团特征的响应性。实验结果表明，经过特征融合的模型分类准确率达到95.05%，优于单一光谱方法和传统深度学习方法。机制分析显示，所开发的模型形
-
低成本机器学习集成光学分光光度计用于无损色彩和保质期分析：切片面包的研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
支持向量机 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据食品标签
面包 货架期预测与品质劣变动力学 微生物安全 常规理化指标测定 光谱/色谱/质谱等分析方法 微生物计数与生长曲线监测物理颜色和光谱特征对于早期检测易腐食品中的变质至关重要。本研究引入了一种成本效益高、支持机器学习（ML）的分光光度计，用于非破坏性地检测切片面包的变质。开发了人工神经网络，能够准确预测RGB值的反射光谱（340–750纳米）。保存期通过总平板计数（TPC）以及颜色和光谱数据进行评估。结果显示第8天和第10天样本的TPC显著增加，标记为腐败。颜色分析显示第4天后L值显著下降，8天后a和b位移，表明微生物生长。色度图显示第10天时呈绿色调。光谱数据保持稳定直到第4天，随后第6天起在525至619海里之间下降。机器学习模型，尤其是梯度增强树和支持向量机（SVM），有效地对样本进行了分类，SVM在测试中获得了最高的F1分数（95.84%）。这些结果凸显了将低成本光学技术与机器学习模型整合进行无损食品变质检测的潜力，在食品安全和保质期监测方面具有前景。
思考过程与原因： 该研究的对象是切片面包（A71），主要关注的问题是变质检测（微生物安全B51）和保质期评估（B25）。研究方法上，结合了总平板计数（TPC，属于微生物计数C21）、色度分析（C11）以及分光光度计光谱分析（C14）。在AI与数字化方面，研究利用低成本传感器获取的RGB值（属于常规图像/可见光数据G11）作为输入，通过人工神经网络（ANN）重建光谱，并使用梯度提升树（E15）和支持向量机（SVM, E12）模型，实现了对面包变质状态的分类/鉴别（F01）以及光谱和保质期参数的定量预测（F02）。
