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
-
利用电子鼻具多变量分析对Allium tuberosum的定性和定量农药残留分析
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 超参优化/自动机器学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据食品标签
新鲜蔬菜 化学污染物 其他理化与结构表征 其他特殊成分随着Allium tuberosum农药残留问题日益严重，开发快速且稳健的检测方法以评估其农药残留浓度至关重要。本研究提出了一种结合电子鼻（E-nose）、颗粒群优化（PSA）算法和支持矢量机（SVM）的综合方法，用于胚胎块茎中农药残留的定性和定量检测。结果显示，SVM分类器能够有效区分正常样本和受污染样本，分类准确率达到100%。对于农药类型鉴定，SVM对氯吡萺、卡班达齐姆和前半阧酮的准确率达到100%。在定性分析中，氯吡萦和卡苯嗪的SVM准确率为100%，而脯铧酮的准确率为97.22%。定量结果表明，支持载体回归（SVR）在预测普罗西咪酮（Rp = 0.9130）和卡班达齐姆（Rp = 0.9572）方面表现优异。因此，E-nose可以作为监测蔬菜安全的有效工具。
思考过程与原因：该研究的对象是韭菜（Allium tuberosum），属于新鲜蔬菜（A42）；研究的核心问题是农药残留检测，这属于食品安全中的化学污染物（B52）问题，农药作为非天然营养成分，归入其他特殊成分（D85）。主要检测手段是电子鼻（Electronic nose），这是一种基于传感器阵列的物理检测方法，归类为其他理化与结构表征（C15）（区别于C14的光谱/色谱）。在AI与数字化方面，研究使用了电子鼻传感器数据，属于时序传感器/物联网数据（G14）。所使用的算法包括支持向量机/回归（SVM/SVR，E12），并结合了粒子群优化算法（PSA/PSO，属于超参数优化/自动化机器学习E46）。模型任务同时涵盖了区分正常/污染样本及农药种类的分类/鉴别（F01）和对残留浓度的定量预测（F02）。 -
利用多模态分子光谱融合，深度学习算法辅助无损检测鲑鱼肉的TBARS值
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
偏最小二乘法 卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据食品标签
鱼肉 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究提出了一个深度学习框架，用于在不同储存条件下（−20、0、4、20°C及动态温度）下，通过硫代巴比妥酸反应物质（TBARS）量化鲑鱼肉脂质氧化的无损性评估。通过将多模态分子光谱（近红外和拉曼）与卷积神经网络（CNN）整合，研究在预测TBARS值方面相较于偏最小二乘回归（PLSR）和长短期记忆（LSTM）模型实现了更高的准确性。CNN在R语言中取得了更优的表现2p = 0.866，RPD = 4.136。其端到端架构和频谱数据融合提升了预测的鲁棒性，并实现了鲑鱼质量的实时、非侵入式监测。该方法满足行业对高效冷链质量评估的需求，提供可扩展的解决方案，优化新鲜度评估和消费者满意度。总体而言，该方法论展示了将多模态光谱与深度学习结合的强大潜力，能够推动动态储存环境中的食品质量分析。
思考过程与原因：该研究的对象是鲑鱼（Salmon，属于鱼类A23）；研究的核心问题是评估储存过程中的脂质氧化（Lipid oxidation）程度，这属于氧化、褐变等化学变化（B34）。检测的指标TBARS是脂质氧化的产物，对应脂质与脂肪酸（D12）。使用的主要分析技术是近红外和拉曼光谱（C14）。在AI维度，研究对比了偏最小二乘回归（PLSR, E11）、卷积神经网络（CNN, E21）和长短期记忆网络（LSTM, E22）三种模型。模型任务是对TBARS值进行定量预测（F02）。使用的数据是近红外和拉曼光谱数据（G13），且采用了多模态融合（G18）策略来提升性能。 -
VNIR和SWIR高光谱数据的协同多级融合框架，用于大豆真菌污染检测
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 其他深度学习结构 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 微生物安全 光谱/色谱/质谱等分析方法目前检测大豆真菌污染的方法往往具有破坏性、耗时且劳动密集型。本研究提出了一种高效方法，通过融合可见光和近红外（VNIR）以及短波红外（SWIR）高光谱成像（HSI）数据，实现霉斑大豆的无损分类。通过低层和中级数据融合策略，结合特征选择算法，即竞争性自适应加权抽样（CARS）、连续投影算法（SPA）和无信息变量消除（UVE），开发了一个多层次框架。结果表明，低层融合（LLF）策略配合一维卷积神经网络（1D-CNN）的准确率为97.52%，而中级（ILF）与Transformer的准确率为95.71%。该框架提升了准确性和稳健性，为无损农业质量监测提供了有前景的工具。
思考过程与原因：该研究的对象是大豆（A18，归类为其他谷物/豆类），主要解决的问题是真菌污染（霉变），这属于食品安全中的微生物安全（B51）问题。使用的核心技术是可见/近红外和短波红外高光谱成像（HSI），归类为光谱/成像分析方法（C14）。在AI维度，数据源是高光谱数据（G12）。研究中应用了一维卷积神经网络（1D-CNN，E21）和Transformer（属于其他深度学习结构E28）模型，并配合了CARS、SPA等特征选择策略（E45），旨在完成对霉变大豆的分类/鉴别（F01）任务。 -
基于比色传感器阵列和化学计量学的智能嗅觉可视化系统，用于识别水稻掺假情况
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
大米 质量管理与追溯系统 光谱/色谱/质谱等分析方法 其他植物化学物质基于比色传感器阵列的智能嗅觉可视化系统被制造，用于快速识别新鲜收割的优质超级印度Kainat 1121（2024年收割）稻米中的掺假物。故意使用同品种（2023、2022和2021年收成）的劣质储存稻米，分别在10%、20%、30%、40%和75%的水平进行掺假。利用HS-SPME-GC/MS识别了不同年份采集水稻中挥发性化合物的特征特征。使用嗅觉传感器阵列捕捉挥发性化合物，根据化学环境生成特征比色图谱。利用PCA、HCA和kNN算法实现了稻米掺假的区分。利用PCA和HCA模型，基于不同掺假程度对稻米样本进行了不同分组。kNN算法在识别水稻掺假及质量较差的稻米方面表现出优异性能。结论是，制造的嗅觉传感器阵列成功区分了稻米掺假，提供了快速、简便且低成本的分析。
思考过程与原因：该研究的对象是大米（A13），研究的具体问题是识别新米中掺入陈米的掺假行为，这属于食品质量管理与追溯系统（B94）中的真伪鉴别。主要分析手段采用了气相色谱-质谱（GC-MS）进行验证，并使用比色传感器阵列（一种嗅觉可视化技术）进行检测，均属于光谱/色谱分析方法（C14）。检测的目标物质是稻米的挥发性化合物，属于其他植物化学物质（D55）。在AI与数字化方面，研究使用了k-近邻（kNN, E14）和主成分分析（PCA, E16）等算法。模型的任务是区分不同掺假水平的样本，属于分类/鉴别（F01）。数据来源是传感器阵列产生的比色图谱，通常涉及对颜色信号或图像的分析，归类为可见光/常规图像数据（G11）。 -
预训练GRU与分子对接整合，虚拟筛选藜麦种子衍生的ACE抑制肽：创新预测策略
查看原文
2025
Food Chemistry
中科院一区JCR一区
计算机标签
循环神经网络 迁移学习/领域自适应 定量预测/回归分析 组学数据食品标签
杂粮 其他生物活性与健康效应 数值仿真 蛋白质与氨基酸人工智能领域的最新进展，尤其是深度学习，正推动生物活性肽发现迎来一场变革。本研究构建了一种预训练门控循环单元模型（Pre‑GRU），用于预测源自发芽藜麦种子蛋白的血管紧张素转换酶（ACE）抑制肽的 IC₅₀值。研究采用迁移学习策略，先在相近长度的 ACE 抑制肽上进行预训练，再在目标数据集上微调，以解决数据稀缺问题。为缓解标签不平衡现象，采用平衡均方误差损失函数以提升预测精度，模型训练集决定系数 R² 为 0.86–0.88，测试集 R² 为 0.53–0.55。将模型预测的 IC₅₀值与候选肽的分子对接评分相结合，在人工合成的 7 条肽中，有 4 条表现出 ACE 抑制活性，其中 NLFRP 的活性尤为突出（IC₅₀ = 3.33 ± 0.19 μM）。分子对接结果显示，NLFRP 可与 ACE 的 Zn²⁺结合基序 HEXXH 形成四面体配位结构，从而增强结合稳定性。该方法整合了 Pre‑GRU 预测、分子对接与理化性质分析，可高效实现生物活性肽的筛选。
思考过程与原因：该研究的对象是藜麦（Quinoa），属于杂粮（A14）；研究关注的是其衍生的ACE抑制肽，具有降血压等生物活性，属于其他生物活性与健康效应（B45）。主要研究方法结合了分子对接（C64，数值仿真）进行虚拟筛选，目标成分是多肽/蛋白质（D11）。在AI与数字化方面，研究采用了预训练的GRU模型（E22，循环神经网络），并使用了迁移学习（E41）策略来解决数据稀缺问题。模型的任务是预测肽的IC50值，即定量预测（F02）。所使用的数据基础是肽的氨基酸序列，属于组学数据（G15）。
