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
-
机器学习驱动的台式可见/近红外光谱用于在线检测杂交柑橘质量
查看原文2025
Food Research International
中科院一区JCR一区Tao Jiang, Weidan Zuo, Jianjun Ding, Shaofeng Yuan, He Qian, Yuliang Cheng, Yahui Guo, Hang Yu & Weirong Yao
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 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据本研究旨在探索可见/近红外光谱结合机器学习模型用于杂交柑橘可溶性固形物和可滴定酸含量预测的应用。使用台式设备采集了样本的可见/近红外光谱,包括脐部区域、赤道区域以及脐部与赤道区域的多区域组合光谱。评估了基于不同区域光谱构建的可溶性固形物和可滴定酸含量预测模型的性能,所用模型包括偏最小二乘法、随机森林、K最近邻、支持向量机和多层前馈神经网络。基于多区域组合原始光谱的可溶性固形物和可滴定酸预测模型准确度优于基于脐部或赤道区域光谱的模型,表明多区域组合光谱采集方法更适用。随后,对光谱进行了预处理,包括Savitzky-Golay平滑、最大值归一化、多元散射校正、线性基线校正和一阶导数。进一步比较了基于不同预处理光谱的可溶性固形物和可滴定酸预测模型的性能。经Savitzky-Golay平滑光谱的偏最小二乘法模型和原始光谱的多层前馈神经网络模型分别在可溶性固形物和可滴定酸预测中表现出最优的验证效果。在新样本的后续预测中,经Savitzky-Golay平滑光谱的偏最小二乘法模型对可溶性固形物预测的Rp2为0.875,RMSEP为0.572%,MAEP为0.469%;原始光谱的多层前馈神经网络模型对可滴定酸预测的Rp2为0.800,RMSEP为0.0322%,MAEP为0.0249%,表明模型具有出色的泛化能力。这些结果表明台式可见/近红外光谱在大规模水平上在线检测杂交柑橘质量具有巨大潜力。
-
Bagging和Boosting机器学习算法从简单化学变量建模感官知觉:以葡萄酒口感为例
查看原文2025
Food Quality and Preference
中科院一区JCR一区María-Pilar Sáenz-Navajas, Chelo Ferreira, Susan E. P. Bastian & David W. Jeffery
食品标签
酒精饮料 感官科学与消费者研究 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集旨在根据化学数据预测感官特性,对集成袋装和增强型机器学习(ML)算法的应用进行了全面研究,并将其应用于基于简单化学测量对澳大利亚和西班牙的 30 种商业红葡萄酒口感进行建模。由 15 名澳大利亚酿酒师使用“所有适用率”感官方法描述了这些葡萄酒的口感特性。同时,还获取了这些葡萄酒的线性扫描伏安信号、激发发射矩阵(EEM)和吸光度数据。数据按照无监督统计策略进行分析,包括主成分分析(PCA,采用方差最大旋转)以简化感官变量的解释,以及基于 ML 的监督回归模型,即随机森林(RF)和极端梯度提升(XGBoost)。PCA 结果表明,四个独立且不相关的感官维度主要与“干燥”、“丰满度”、“丝滑”和“黏腻”等感知相关,这些维度在不同葡萄酒之间有所区分。RF 和 XGBoost 算法生成的验证性回归模型优于传统的 PLS 模型。这些机器学习算法在测试数据上的预测表现十分出色,对于所使用的任何一组化学变量,其平均准确率都超过了 80%。尽管 XGBoost 提供的模型略好一些,但随机森林所需的计算量较小,这一点具有优势。模型中包含的关键变量以及控制过拟合的重要性也进行了讨论。总的来说,吸光度、伏安法或 EEM 信号与随机森林或 XGBoost 算法相结合,被展示为一种成本低廉、易于使用且快速的方法,可用于从复杂的基质(如葡萄酒)中的化学信号预测感官特性。
-
近红外光谱学结合基于L1范数和L21范数的机器学习算法,以确定中国狼莓的地理来源
查看原文2025
Food Chemistry
中科院一区JCR一区Xiao Zhu, Xiaohong Wu, Jifeng Shen, Jun Sun & Bin Wu
食品标签
果蔬干/果脯/蔬菜干 光谱/色谱/质谱等分析方法计算机标签
支持向量机 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据中国狼莓的营养价值因不同地理产地而异,甚至在地区层面也有所不同。因此,一种无损且有效的方法对于确定中国狼莓的地理起源具有重要意义。为解决传统特征提取方法对异常值敏感且近红外谱数据处理不够稳健的问题,本研究受L21范数线性判别分析(L21-LDA)启发,提出了基于L21范数的稳健线性判别分析(L21-RLDA),并将其与传统LDA、L21-LDA和L1-NSLDA进行比较。最后,应用了K最近邻(KNN)和支持向量机(SVM)进行分类。L1-NSLDA、L21-LDA和L21-RLDA均取得了显著且高度分类准确性的结果。此外,提出的L21-RLDA达到了99.3%的最高分类准确率。本研究展示了结合基于L1范数和L21范数特征提取方法的近红外光谱技术,能够快速、准确且稳健地区分中国的枸杞来源。
-
食品与农产品地理来源追溯中机器学习的最新进展:综述
查看原文2025
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Jiali Li, Jianping Qian, Jinyong Chen, Luis Ruiz-Garcia, Chen Dong, Qian Chen, Zihan Liu, Pengnan Xiao & Zhiyao Zhao
食品标签
食品安全与风险评估 其他过程控制与数字化研究计算机标签
机器学习/统计学习 分类/鉴别/等级评定食品和农产品的地理来源可追溯性已引起全球关注。特别是随着机器学习(ML)技术的兴起,它为以往难以解决的食品和农产品来源识别问题提供了尖端解决方案。通过利用先进的算法,机器学习能够提取与来源密切相关的食品和农产品的特征信息,并更准确地识别和追溯其来源,这对整个食品和农业行业具有重要意义。本文全面概述了机器学习在食品和农产品地理来源可追溯性方面的最新应用。首先,总结了常用的机器学习方法。然后,本文概述了构建基于机器学习的可追溯性模型的建模准备、模型训练以及模型评估的整个过程。最后,回顾了机器学习结合不同可追溯技术在食品和农产品领域的近期应用。尽管机器学习在解决食品和农产品地理来源可追溯性问题上取得了诸多成就,但它仍有巨大的发展潜力。例如,在利用DNA或计算机视觉技术进行地理来源可追溯方面,机器学习的应用尚不充分。机器学习预测食品和农产品地理来源的能力还有待进一步提高,比如通过增强模型的可解释性、采用数据融合策略等方式。
-
基于酵母微菌落成像的深度学习技术实现食品中酵母物种的快速分类
查看原文2025
Food Research International
中科院一区JCR一区Hyeon Woo Park, J. Mason Earles & Nitin Nitin
食品标签
果蔬汁/浓缩汁 其他添加剂与配料 微生物安全 显微与成像技术 微生物与发酵实验计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据多种酵母物种常见于食品及食品生产环境中。腐败酵母污染食品带来重大挑战,导致品质下降和食品浪费。同样,在发酵过程中引入不良菌株也会对发酵质量和进程造成严重影响。传统检测方法需要对可见酵母菌落进行分离以进行遗传或生化鉴定,耗时5-7天且需要大量人力。本研究提出了一种基于深度学习的酵母分类方法,该方法结合了传统培养方法、微菌落白光光学显微术和深度学习技术,以实现酵母的快速检测与分类。利用深度卷积神经网络,该模型能在6小时内准确区分7种不同酵母,平均精确率(mPrecision)达96.0%,平均召回率(mRecall)达96.3%。生成对抗网络(GAN)模型生成的合成图像数据集进一步提升了初始分类性能较低的两种酵母——汉逊德巴利酵母(Debaryomyces hansenii)和异常威克汉姆酵母(Wickerhamomyces anomalus)的模型性能。在训练过程中加入合成图像后,W. anomalus的精确率和D. hansenii的召回率分别提高了7.7%和5.6%。该酵母分类模型在存在微观食品残渣的条件下进行了验证,以番茄和番茄汁分别作为新鲜农产品和加工果汁的代表性样本。模型在存在食品残渣的情况下仍保持了高分类准确率(平均精确率和平均召回率均>93.9%)。总体而言,该方法通过结合传统培养、简单白光显微术与深度学习,显著加速了酵母物种的检测与分类。实验方法成本低、深度学习模型鲁棒性强,使其成为食品工业中用于常规酵母监测和腐败控制的一种高度适用的方法。