类目筛选（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
-
-
深度筛选（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
-
-
标签记录（食品学者）
清除全部筛选
标签记录（计算机学者）
共 130 条结果
-
一种基于深度学习的先进太赫兹超材料传感器用于鉴别不同红酒
查看原文
2024
Chemical Engineering Journal
中科院一区JCR一区
Jingxiao Yu, Hongbin Pu & Da-Wen Sun
食品标签
酒精饮料 品质、结构与理化性质 理化与结构表征 光谱/色谱/质谱等分析方法 多酚与黄酮 花青素与类胡萝卜素计算机标签
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 定量预测/回归分析 高光谱/多光谱光谱太赫兹时域光谱技术（THz-TDS）在检测领域面临两大难题：一是水分子强吸收导致的固体样本检测目标物失真，二是灵敏度不足造成的高含量目标物质检测受限。值得关注的是，能够承载液体样本并放大信号的太赫兹超材料（THz-MM）有效解决了上述问题。此外，通过设计特定结构产生谐振峰位移，THz-MM可实现痕量物质的精准检测。然而，由于多数研究者侧重于复杂结构设计而非数据分析，采用能够挖掘原始特征新属性并构建决策模型的深度学习（DL）技术，成为研究THz-MM传感器数据丰富信息的重要手段。在本研究中，我们通过聚酰亚胺基底镀金工艺，设计出一种圆形（'O'形）柔性透射式THz-MM。首先，对涉及基底厚度(ST)、金属层厚度(MT)和环宽度(RW)的结构参数进行了优化，并评估了其在工作原理、稳定性和灵敏度方面的性能表现。随后，制备了最优太赫兹超材料(THz-MM)器件(ST:16µm、MT:0.2µm、RW:6µm)，并从形貌特征、厚度均匀性和结构一致性三个方面进行了表征。基于谐振峰位移量，该方法成功实现了花青素(R:0.9982)和单宁酸(R:0.9736)不同浓度的定量预测。最后，通过构建谐振峰特征描述符并结合全连接神经网络(FCNN)深度学习(DL)模型，成功实现了不同品种红酒的鉴别分类(精确率:91.11%；召回率:90.74%；F1值:90.83%；准确率:90.74%)。本研究开发了一种基于深度学习的太赫兹超材料传感器，推动了太赫兹时域光谱(THz-TDS)技术在食品检测领域的应用进程。
-
通过深度学习辅助的FTIR指纹图谱对牛肝菌的鉴定和粗蛋白预测
查看原文
2024
LWT
中科院一区JCR一区
Chuanmao Zheng, Honggao Liu, Jieqing Li, & Yuanzhong Wang
食品标签
食用菌菇 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 循环神经网络 偏最小二乘法 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据野生食用蘑菇是天然、绿色和可持续的食品，其采后安全和质量控制的关键在于物种识别、产地可追溯性和质量评估。本研究分析了基于傅里叶变换红外光谱（FTIR）和二维相关光谱（2DCOS）的残差卷积神经网络（ResNet）模型与偏最小二乘判别分析（PLS-DA）模型在牛肝菌物种及产地识别上的有效性。同时探讨了偏最小二乘回归（PLSR）模型和长短期记忆网络（LSTM）模型对牛肝菌粗蛋白含量预测的可行性。结果显示，ResNet模型优于PLS-DA模型，新样品的预测结果分别为1.00和0.98，预测准确率分别为1.00和0.92。在估算粗蛋白含量方面，LSTM模型比PLSR模型更有效。其中，使用一阶导数-多重散射校正-萨维茨基-戈莱（1D-MSC-SG）预处理组合的LSTM模型是最佳的，预测集RPD = 2.7，显著性 Sig. = 0.418。此外，顺序投影算法（SPA）特征提取提高了LSTM模型的预测能力，其残差预测偏差（RPD）为2.9，显著性 Sig. = 0.627。本研究为市场上食用菌及其他食品的质量评价提供了新的参考。
-
使用新型声学实时检测装置和可见光/近红外技术预测黄肉桃果实硬度的研究
查看原文
2024
LWT
中科院一区JCR一区
Nan Chen, Zhi Liu, Tianyu Zhang, Qingrong Lai, Jiansheng Zhang, Xinlin Wei, & Yande Liu
食品标签
新鲜水果 质构与流变性质 质构与流变测试 光谱/色谱/质谱等分析方法计算机标签
其他深度学习结构 偏最小二乘法 支持向量机 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据 时序传感器/物联网数据果实硬度是预测果实成熟度、最佳采收日期和货架期的关键指标。本研究中，采用了一种新型果实声学实时检测原型设备和一种传统可见近红外（Vis/NIR）光谱实时检测设备，从黄肉桃中采集声学和光谱信号，以联合预测其硬度。通过完全集合经验模态分解加自适应噪声（CEEM-DAN）、连续小波变换（CWT）和Gram角场（GAF）数据处理方法，将声学和光学信号生成一维和二维特征数据。基于这些数据，本研究构建了多种黄肉桃硬度预测模型，包括偏最小二乘法（PLS）、支持向量回归（SVR）、Swin Transformer（SwinT）以及SwinT-PLS/SVR。实验结果表明，基于竞争性自适应重加权抽样（CARS）声学图像特征与CARS-可见/近红外（Vis/NIR）光谱特征融合的SwinT-PLS模型表现出最佳的预测性能（R²P = 0.951，RMSEP = 0.443 N/mm，RPD P = 4.339），其预测性能显著高于基于单一声学或可见/近红外光谱数据的预测模型。所提出的方法能够快速、无损、准确地预测水果硬度，并在商业实时水果分拣应用中具有良好的前景。
-
基于多块数据方法的意大利鹰嘴豆地方品种表征与鉴别
查看原文
2024
Food Control
中科院一区JCR一区
Martina Foschi, Alessandra Biancolillo, Federico Marini, Francesco Cosentino, Francesca Di Donato, & Angelo Antonio D'Archivio
食品标签
豆类与坚果（及籽类） 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据本研究采用非靶向表征方法，对 2019 年采自意大利三个传统且地理位置相近产区的三种高附加值鹰嘴豆（Cicer arietinum L.）开展产地溯源鉴别研究，三个产区分别为：内韦利（阿布鲁佐大区，意大利中部）、奇切拉莱（坎帕尼亚大区，意大利南部）以及瓦伦塔诺（拉齐奥大区，意大利中部）。研究旨在开发并验证一种适用于常规检测的潜在无损方法，实现对高传统价值鹰嘴豆地方品种的产地溯源。研究选取 146 粒分属三个品种的鹰嘴豆籽粒，首先对其外层组织采用衰减全反射 - 傅里叶变换 - 中红外光谱技术（ATR-FT-MIR）与傅里叶变换 - 近红外光谱技术（FT-NIR）进行检测；随后将每粒籽粒对半切开，利用上述两种光谱技术对横截面（包含内部与外部组织）开展分析。研究将光谱信息整合为四个数据模块，即中红外外层数据（MIRout）、中红外内层数据（MIRin）、近红外外层数据（NIRout）及近红外内层数据（NIRin），并对各模块分别进行偏最小二乘 - 线性判别分析（PLS-LDA）。结果显示，对鹰嘴豆籽粒外层光谱图谱的单模块分析（MIRout 与 NIRout 模块）取得了准确的判别结果；结合初步类别建模法的分析成果，证实建立无损鉴别方法具备实际可行性。此外，为更深入解析四个数据模块中的信息，本研究进一步采用序列正交偏最小二乘 - 线性判别分析（SO-PLS-LDA）与序列正交协方差选择 - 线性判别分析（SO-Covsel-LDA）两种方法。同时通过投影变量重要性分析（VIP）筛选显著性变量，为分类模型提供直接的化学原理解释。
-
基于FT-NIR结合机器学习的陈皮掺假快速检测与掺假浓度预测
查看原文
2024
Food Chemistry：X
中科院一区JCR一区
Ying Chen, Si Li, Jia Jia, Chuanduo Sun, Enzhong Cui, Yunyan Xu, Fangchao Sh & Anfu Tang
食品标签
其他果蔬制品/植物类 香精香料 食品安全与风险评估 颜色与外观品质 常规理化指标测定 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据陈皮（PCR）多年来一直被用作食品和香料，以其丰富的营养成分和独特的香气而闻名。然而，价格上涨往往伴随着掺假现象。本研究通过色度分析、傅里叶变换近红外光谱（FT-NIR）和机器学习算法对两种掺假物（橙皮-OP和蜜橘皮-MR）进行了鉴别，并对掺杂浓度进行了定量预测。结果表明，色度分析无法完全区分陈皮和掺假物。采用光谱预处理结合机器学习算法，成功区分了陈皮和两种掺假物，分类准确率分别达到99.30%和98.64%。筛选特征波长后，掺假定量模型的决定系数（R²）大于0.99。总体而言，本研究首次提出采用傅里叶变换近红外光谱技术研究陈皮的掺假问题，填补了陈皮掺假研究的技术空白，为解决日益严重的陈皮掺假问题提供了重要方法。
