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 364 条结果
-
通过光谱成像和神经网络先进评估草莓品质、消费者偏好及品种鉴别
查看原文2025
Food Control
中科院一区JCR一区Salvador Castillo-Girones, Jos Ruizendaal, Xiomara Salas-Valderrama, Sandra Munera, Jose Blasco & Gerrit Polder
食品标签
新鲜水果 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
支持向量机 梯度提升决策树 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 大规模数据集草莓是最受欢迎的水果之一。要满足市场对高品质、风味佳品种日益增长的需求,必须了解消费者的偏好。准确预测这些偏好、评估品质并防止食品欺诈,对育种者和销售者至关重要。本研究利用可见-近红外光谱成像(光谱范围400-1000 nm)和人工神经网络,探索了对17个草莓品种的品质、荷兰消费者接受度进行预测及品种鉴别的方法,此研究尚属首次。共使用了3564个样本。评估了三种算法:支持向量机、XGBoost和多层感知器(MLP),用于预测品质参数、消费者接受度和品种鉴别。MLP模型表现出最高的精度,对总可溶性固形物、可滴定酸度、咬感和总体消费者接受度的预测R²值分别为0.85、0.81、0.76和0.78。在品种鉴别方面,MLP模型的F1分数达到0.84。这些发现凸显了人工神经网络在提升产品质量评估、防止食品欺诈以及使产品更符合消费者偏好方面的潜力。
-
改善营养和感官目标:利用可解释机器学习和多目标优化优化桂花提取物质量
查看原文2025
Food Frontiers
中科院一区JCR一区Qinle Huang, Zhangtie Wang, Binhai Shi, Guoliang Jie, Songbai Liu, Fuli Nie, Fan Wang, Zhenjiang Zhou, Siyu Chen, Jianfu Shen, Baiyi Lu
食品标签
香精香料 品质、结构与理化性质 其他植物化学物质 物理辅助加工 其他理化与结构表征计算机标签
智能手机/其他 支持向量机 梯度提升决策树 过程控制与实时优化 质构/流变/感官数据桂花提取物(OFE)在饮料和化妆品行业中具有显著的应用潜力。然而,OFE 的常规提取过程会受到多种因素的影响,这使得难以确定能够协同优化以获得不同品质参数的参数组合。本研究旨在建立一种超声辅助提取桂花变种(O. fragrans var. thunbergii)的多目标优化(MOO)方法。通过响应面方法和机器学习算法,比较了时间、温度、超声功率和固液比对产率、总苯乙醇苷含量、薄荷苷和山梨糖醇苷含量以及色度参数的影响。多层感知器、XGBoost 和支持向量回归被评估为构建集成模型的基础模型,使用 SHAP 算法进行解释。基于 BP-ANN 和 NSGA-II 的 MOO 方法被开发出来,以最大限度地提高提取物中活性化合物的含量,同时考虑其他质量指标。针对目标质量属性的最佳条件确定为:温度 54℃、提取时间 52 分钟、固液比 16 毫升/克以及超声功率 345 瓦。本研究提供了一种将人工智能和多目标优化相结合的全新方法,用于植物提取过程的优化。
-
通过傅里叶变换近红外光谱对花生油中矿物油污染的定性和定量分析
查看原文2025
Food Chemistry
中科院一区JCR一区Jihong Deng, Hui Jiang& Quansheng Chen
食品标签
植物油 品质、结构与理化性质 化学污染物 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 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据新型污染物对食用油安全构成潜在威胁。本研究将傅里叶变换近红外光谱技术与化学计量学方法相结合,对花生油中的五种污染物进行定性与定量分析。研究结果表明,偏最小二乘判别分析分类模型可有效区分正常样品与受污染样品,分类准确率达100%。在具体污染物识别方面,该模型对柴油、白矿油和润滑油的识别准确率为100%,对煤油和机油的识别准确率为97.04%。定量分析结果显示,支持向量回归模型对柴油、白矿油和润滑油具有较高的预测精度,而偏最小二乘回归模型对煤油和机油表现出良好的预测能力。因此,近红外光谱技术可作为食用油安全监测的有效手段。
-
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。
-
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。