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
-
GMOPNet:用于通过空间频域成像测量猕猴桃和桃子光学性质的GAN-MLP两级网络
查看原文2025
Food Chemistry
中科院一区JCR一区Yuan Gao, Zhizhong Sun, Dong Hu, Lijuan Xie & Yibin Ying
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 显微与成像技术计算机标签
生成对抗网络 其他深度学习结构 定量预测/回归分析 可见光/RGB/视频数据空间频域成像(SFDI)是一种利用空间调制照明来测量光学特性的成像技术。传统空间频域成像方法至少需要采集六张图像,耗时较长。本研究提出一种生成对抗网络-多层感知机(GAN-MLP)两阶段网络(GMOPNet),可从单张空间频域成像图像中提取猕猴桃和桃子的高精度光学特性,实现实时、连续的宽波段空间频域成像。所提GMOPNet先通过生成对抗网络预测漫反射率,再结合融入蒙特卡洛先验知识的多层感知机完成光学特性预测。该方法对吸收系数(μa)的平均绝对百分比误差为5.91%,对约化散射系数(μs')的平均绝对百分比误差为5.23%,大幅缩短了图像采集与处理时间,单次推理耗时仅31.13毫秒。其中猕猴桃的吸收系数与约化散射系数平均绝对百分比误差分别为6.73%、6.34%,桃子则分别为5.80%、6.65%。
-
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Mohamed Abd Elfatah, Ahmed A. Ewees, Ashraf Darwish & Abou Ella Hassanien
食品标签
肉类/蛋类与水产品 颜色与外观品质计算机标签
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。
-
机器学习:一种用于监控和确保食品安全、质量和营养的有效工具
查看原文2025
Food Chemistry
中科院一区JCR一区Xin Yang, Chi-Tang Ho, Xiaoyu Gao, Nuo Chen, Fang Chen, Yuchen Zhu & Xin Zhang
食品标签
品质、结构与理化性质 营养与生物功能 食品安全与风险评估计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析食品安全、质量和营养等领域被复杂的数据集淹没。机器学习(ML)已成为食品科学领域的强大工具,相比传统方法,它提供了快速、便捷且高效的解决方案。本综述概述了机器学习在保障食品安全、提升质量以及解开营养复杂性方面的应用。该综述涵盖食品污染物预测、食品等级分类、掺假物检测以及食品营养素及其与营养疾病的相关性分析。此外,机器学习方法旨在阐明肠道微生物群、饮食模式与疾病病理之间的关系,从而将肠道微生物群定位为通过饮食调控干预疾病的潜在生物标志物。本研究为未来机器学习在食品科学领域的应用提供了宝贵参考。
-
结合GC-IMS、GC×GC-O-MS和机器学习表征武夷岩茶(水仙)烘焙过程中挥发性化合物的动态变化
查看原文2025
Food Chemistry
中科院一区JCR一区Yue Duan, Xing Gao, Bolin Shi, Mingguang Yu, Junaid Raza, Huijuan Sun, Ying Wang, Huanlu Song & Yongquan Xu
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据了解水仙茶烘焙过程中香气化合物的变化,对于提供科学指导至关重要。本研究采用气相色谱-离子迁移谱(GC-IMS)和二维气相色谱-嗅觉-质谱(GC×GC-O-MS)分别鉴定出100种和183种化合物。结合随机森林算法与相对气味活性值(rOAV),识别出8种关键差异化合物,分别是3-甲基丁醛、(E)-2-辛烯醛、5-甲基糠醛、2-乙基-5-甲基吡嗪、1-糠基吡咯、1-(1H-吡咯-2-基)-乙酮、1-辛烯-3-醇和(Z)-4-庚烯醛。对这些化合物的代谢途径进行分析后发现,它们主要涉及美拉德反应和脂质氧化。本研究不仅为水仙茶的定向加工和质量控制提供了理论支持,还通过整合先进分析技术与机器学习,提出了一种新颖的方法学框架,为研究茶叶烘焙过程中挥发性化合物的动态变化提供了新见解。
-
基于多光谱数据融合策略与化学计量学的日照绿茶产地溯源研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Mengqi Guo, Zhiwei Chen, Zezhong Ding, Dewen Wang, Dandan Qi, Min Lu, Mei Wang & Chunwang Dong
食品标签
茶/茶饮料 品质、结构与理化性质 感官评价与方法学 光谱/色谱/质谱等分析方法 其他理化与结构表征 蛋白质与氨基酸 多酚与黄酮 咖啡因计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据 质构/流变/感官数据 多模态/融合数据本研究提出了一种将多光谱数据融合策略与化学计量学分析相结合的新方法,用于日照绿茶的产地溯源。研究发现,日照绿茶与中国南方茶叶在感官评分和关键理化成分(儿茶素、咖啡因和氨基酸含量)方面存在显著差异。通过整合近红外和高光谱技术的数据,多元模型(包括偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林(RF)和卷积神经网络(CNN))的预测精度得到了提高。融合数据集的性能优于单一光谱数据集。研究发现,不同地区的茶叶样品存在显著的光谱差异,从而实现了可靠的区分。基于近红外光谱数据的支持向量机(SVM)和随机森林(RF)判别模型均达到了100%的准确率。该方法为绿茶溯源提供了一种可靠且高效的工具,有望在茶叶行业的质量控制和真实性验证中得到应用。