类目筛选(食品学者)
-
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
-
-
深度筛选(计算机学者)
-
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
-
-
标签记录(食品学者)
标签记录(计算机学者)
共 2456 条结果
-
利用数字图像和化学计量技术评估椰子水(Cocos nucifera L.)样品的真实性
查看原文2025
Food Chemistry
中科院一区JCR一区Edna Santana de Sena, Samantha Serra Costa, Ivanice Ferreira dos Santos, Ana Flávia Souto Figueiredo Nepomuceno, Murilo de Jesus Porto & Liz Oliveira dos Santos
食品标签
果蔬饮料 常规理化指标测定 显微与成像技术计算机标签
机器学习/统计学习 主成分分析/判别分析 分类/鉴别/等级评定 可见光/RGB/视频数据本研究提出结合数字比色法与无监督模式识别技术,获得分子指纹特征,从而检测和鉴定椰子水样品的无损真实性。它还打算将销售的样品分类为自然类、掺假或工业化样品。样品是在巴西东北部巴伊亚州的街头市场和当地商店购买的。数字图像通过直接分析获得,未对样本进行预处理。随后,利用Chemostat软件提取RGB通道中彩色直方图的组合值。主成分分析和分层聚类对样本分类有贡献。我们证明了数字比色法是一种有用工具,能够快速且低成本地确认食品的真实性。除了遵循绿色分析化学的原则外,它还能促进监管机构的检查。
-
开发及基于Kohonen神经网络的红米饼干聚类分析,富含不同可食用种子和面粉的混合物
查看原文2025
Food Chemistry
中科院一区JCR一区Shubhi Singh & Smriti Gaur
食品标签
豆类与坚果(及籽类) 饼干/薄脆制品 品质、结构与理化性质 营养与生物功能 膳食纤维与抗性淀粉 蛋白质与氨基酸 脂质与脂肪酸计算机标签
机器学习/统计学习 缺陷/异物检测与定位 质构/流变/感官数据本研究旨在利用红米粉(RRF)与可食用籽粉(ESF)制作曲奇饼干,并采用探索性研究方法分析其营养特性与物理特性。实验设置可食用籽粉与红米粉不同质量配比的混合原料进行研究,配比梯度分别为0%:100%、25%:75%、50%:50%、75%:25%以及100%:0%。单因素方差分析结果表明,复配曲奇饼干的蛋白质、膳食纤维含量显著更高(p < 0.05),脂肪含量与延展率则有所降低。研究采用科霍宁自组织映射网络(KSOMs)对实验结果进行分析,依据营养与物理特性的相似性对样品进行聚类划分。分析所得戴维斯-鲍尔丁指数为0.14~0.30、轮廓系数为0.97~0.98,说明聚类分区界限清晰、样本重叠度极低。相较于对照组曲奇饼干,25%可食用籽粉+75%红米粉配比制作的曲奇饼干在感官品质、矿物质、氨基酸及抗氧化活性方面表现更优,证实可食用籽粉与红米粉可作为优质功能性原料,用于提升曲奇饼干的营养品质。
-
基于机器学习的食品安全分析:全面综述与未来展望
查看原文2025
Food Chemistry
中科院一区JCR一区Jiaxun Li, Aihong Wu, Liqiang Liu, Aihua Qu, Chuanlai Xu, Hua Kuang & Liguang Xu
食品标签
食品安全与风险评估 显微与成像技术 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据随着全球人口增长和供应链复杂化,食品安全挑战日益加剧。传统分析方法虽精准,但在速度和适应性方面存在局限。机器学习(ML)提供了数据驱动的解决方案,在污染物检测(农药、重金属、微生物)、通过图像/感官分析进行质量评估以及供应链溯源等方面表现出色。尽管潜力巨大,机器学习仍面临数据质量不一致、模型可解释性不足以及缺乏标准化协议等挑战。未来的进展取决于优化算法以提高准确性、通过可解释人工智能增强透明度、整合物联网进行实时监测以及建立监管框架。这些创新有望改变食品安全分析,确保全球食品更安全且可溯源。
-
融合多源光谱数据的机器学习方法用于预测中华蜜蜂蜂蜜的花源及滋味成分
查看原文2025
Food Research International
中科院一区JCR一区Zhaolong Liu, Hongxia Li, Nan Liu, Cuiling Liu, Xiaorong Sun & Lanzhen Chen
食品标签
蜂蜜等天然糖 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素(宏量)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 红外/拉曼光谱数据 多模态/融合数据本研究探讨了利用近红外、中红外和拉曼光谱融合技术快速预测中华蜜蜂蜂蜜花源和主要滋味成分的方法。基于偏最小二乘回归-随机森林的特征级融合模型在识别蜂蜜花源方面达到了100%的分类准确率。此外,该模型对糖类、氨基酸和有机酸表现出强大的预测能力,其R2值介于0.88至0.96之间,并且在预测总有机酸和总氨基酸方面表现尤为突出(R2值分别为0.94和0.93)。PLSR-RF模型在脯氨酸、葡萄糖和果糖的预测上显示出有效的聚类效果,与数据级融合相比,预测精度提升了23.5%。这些结果证实了PLSR-RF模型在中华蜜蜂蜂蜜定量分析中的有效性。
-
一种通用的深度学习模型,用于通过可见光和近红外光谱预测和分类豌豆蛋白含量
查看原文2025
Food Chemistry
中科院一区JCR一区Tianpu Xiao, Chunji Xie, Li Yang, Xiantao He, Liangju Wang, Dongxing Zhang, Tao Cui, Kailiang Zhang, Hongsheng Li & Jiaqi Dong
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据快速且准确地检测豌豆蛋白含量对于育种和确保食物质量至关重要。本研究引入了PeaNet模型,采用改进的卷积神经网络架构来预测和分类豌豆蛋白含量。该模型利用156个可见光和近红外光谱数据集,来自52个品种,在不同条件下培养。数据经过Savitzky-Golay平滑和乘法散射校正预处理以提升质量。结果显示该模型获得了R级2蛋白质含量预测为0.84,测试组分类准确率为85.33%。在由不同豌豆品种组成的独立验证集上,模型保持一个R2超过0.80,分类准确率为83.33%。它显著优于传统的机器学习模型和传统深度学习架构。本研究引入了一种通用、准确且高效的豌豆蛋白检测方法,从而推动食品营养评估和质量控制的发展。