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 167 条结果
-
基于高光谱结合可解释人工智能监测羊肉兽药残留：OFX案例研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
Fujia Dong, Zhaoyang Ma, Ying Xu, Yingjie Feng, Yingkun Shi, Hui Li, Fukang Xing, Guangxian Wang, Zhongxiong Zhang, Weiguo Yi & Songlei Wang
食品标签
畜肉 化学污染物 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据肉类中的兽药残留会严重危害人体健康。快速、精准地检测兽药残留，是降低污染风险的必要手段。以羊肉中的氧氟沙星残留为例，本研究采用近红外高光谱成像技术结合可解释人工智能方法，分析卷积神经网络堆叠稀疏自编码器（CNN-SSAE）模型中特征波长对化学属性的贡献重要性。在此基础上，实现了羊肉中氧氟沙星残留的定性检测（残留有无识别、残留等级判别）与定量检测。结果表明，CNN-SSAE模型对氧氟沙星残留有无和残留等级的识别准确率分别为100%、93.65%；氧氟沙星残留定量检测的验证相关系数为0.8980。此外，研究借助沙普利可加解释值（SHAP）筛选出CNN-SSAE模型中贡献度最高的特征波长，有效阐释了光谱与化学指标在模型决策过程中，可优化预测结果的品质属性信息。通过F检验、T检验等统计验证方法，完成了CNN-SSAE模型的可靠性评估，并最终构建出氧氟沙星含量分布可视化图谱。本研究为兽药残留的可解释性检测提供了方法参考。
-
基于多波段高光谱成像与机器学习的商品肉干无损鉴别
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Yuanxi Han, Liang Li, Siyuan Jiang, Pengpeng Sun, Wenliang Wu & Zhendong Liu
食品标签
畜肉 禽肉 食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
支持向量机 智能手机/其他 超参优化/自动机器学习 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据市场上商业肉干的假冒现象十分普遍。本研究结合可见-近红外和短波-近红外高光谱成像技术，以及多种机器学习算法，对五种商业肉干产品进行无损鉴别，并探究了不同光谱波段、算法选择和优化方法对鉴别性能的影响。经过数据预处理后，所有模型的准确率和稳定性均有所提升。具体而言，逻辑回归模型在肉干鉴别方面表现最佳，准确率达到85.78%–100.00%。通过超参数优化，线性核支持向量机的准确率最高（在两个波段中分别为89.29%和95.29%）。此外，采用双曲正切激活函数的人工神经网络训练性能最优，准确率超过90.00%。研究结果表明，短波-近红外高光谱成像结合线性模型（逻辑回归和线性核参数设置的支持向量机）更适合肉干种类的鉴别。本研究为肉干种类鉴别中的波段选择、模型选择及优化提供了参考。
-
基于高光谱成像和多任务卷积神经网络的冻融牛肉丸子两个综合质量评价指标的同步监测
查看原文
2025
Meat Science
中科院一区JCR一区
Qiang You, Yukun Yuan, Runxiang Mao, Jianghui Xie, Ling Zhang, Xingguo Tian & Xiaoyan Xu
食品标签
畜肉 品质、结构与理化性质 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据 中等规模数据集通过多个指标评估了反复冻融循环过程中牛肉丸子的质量变化。本研究引入了一种基于高光谱成像和多任务学习的新型质量评价方法。分析了17个质量指标以评估冻融循环的影响，随后通过因子分析从11个关键指标中构建了综合质量指数和综合权重指数。将150个样本的高光谱数据与多任务卷积神经网络相结合，探讨了同步监测牛肉丸子CQI和CWI的可行性。结果表明，与传统机器学习及单任务CNN方法相比，MT-CNN在CQI和CWI的预测上表现更优（CQI：RMSEp = 1.24，R2 = 0.94；CWI：RMSEp = 20.436，R2 = 0.94）。此外，研究还有效可视化了多次冻融循环过程中牛肉丸子的质量劣变趋势。因此，HSI与MT-CNN的结合能够高效预测牛肉丸子的综合质量评价指标，有助于其质量控制。
-
使用VIS/NIR高光谱成像评估影响牛肉储存期间新鲜度的生物标志物
查看原文
2025
LWT
中科院一区JCR一区
Azfar Ismail, Seongmin Park, Hye-Jin Kim, Minwoo Choi, Hyun-Jun Kim, Heesang Hong, Ghiseok Kim, & Cheorun Jo
食品标签
畜肉 货架期预测与品质劣变动力学 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱利用可见/近红外高光谱成像（VIS/NIR HSI）检测了在储存过程中影响牛肉新鲜度的生物标志物。来自三头牛的共18块眼肉被真空包装，并在4 ± 2°C下湿熟储存27天。在此期间，新鲜度得以维持，这可以通过pH显著下降、颜色稳定，以及总菌落数（TBC）和挥发性碱性氮（VBN）分别保持在5.78 Log CFU/g和14.47 mg/100 g以下的变质阈值来证明。代谢物分析显示新鲜度指标--乙醇、5′-肌苷酸、乙酸、组胺--与TBC和VBN值之间存在相关性，凸显了它们在新鲜度中的重要性。将高光谱成像（HSI）与偏最小二乘回归（PLSR）结合证明比人工神经网络在预测代谢物谱并将其与质量性状相关联方面更可靠，确认了其在肉类质量监测中的有效性。使用PLSR时，TBC模型的性能相似（HSI为R²=0.77，代谢物预测为R²=0.74），而VBN的性能从R²=0.63显著提高到使用预测的代谢物数据的R²=0.81。这种整合对于在湿式熟成过程中监测牛肉质量以及制定有效的评估策略至关重要。
-
基于聚类与降维技术的全氟及多氟烷基物质在动物物种器官中分布的机器学习多模态分析
查看原文
2025
Food Research International
中科院一区JCR一区
Ali Sani, Ibrahim Lawal Abdullahi, Abba Salisu, Habibu Magaji Tukur & Ahmad Kabir Maigari
食品标签
畜肉 禽肉 鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据全氟及多氟烷基物质（PFAS）在水生和陆生生物中的污染构成了显著的环境与健康风险。本研究量化了鱼类（Clarias gariepinus, Oreochromis niloticus, Lates niloticus, Tilapia zilli）、牲畜（骆驼、牛、绵羊、公羊、山羊）和鸟类（鸽子、鸡、火鸡）多种组织（肝、肾、鳃、肌肉、皮肤、肺、血液、胸肉、羽毛）中的15种PFAS化合物。在鱼类中，C. gariepinus表现出最高的PFAS积累，其中PFOA (46.5 ng/g) 和 PFTrDA (50.1 ng/g) 在肝脏和肾脏中占主导，而O. niloticus则显示出较高的PFTrDA (56.87 ng/g) 和 PFUnDA (29.43 ng/g)。在牲畜中，骆驼肝脏含有较高的PFNA (9.22 ng/g)，牛肝脏中PFOS含量最高 (8.1 ng/g)。在鸟类中，鸽子肝脏的PFNA含量最高 (7.83 ng/g)。为分析PFAS的分布模式，研究采用了降维与聚类技术。主成分分析 (PCA) 捕捉了总方差的68.28%，揭示了两个不同的聚类，其中鱼类与较高的PFAS浓度密切相关，而禽类与其他肉类相比显示出独特的PFAS谱图。PFOS、PFOA及其他PFAS化合物在中心附近的聚类解释了它们对各类肉类（尤其是鱼类）的普遍影响，而t-分布随机邻域嵌入 (t-SNE) 则证实了高维空间中的清晰分离。聚类分析，包括K均值、层次聚类、DBSCAN和高斯混合模型 (GMM)，识别出明确的模式，其中DBSCAN和GMM检测到了重叠的类别和离群值。使用随机森林模型进行的特征重要性分析突出表明，总PFAS是最重要的预测因子，PFHxA和PFDoDA也有较强贡献，而器官类型和物种的影响相对较小。这些发现证明了无监督学习技术在表征跨物种和跨组织的PFAS生物积累模式方面的有效性，为生态和毒理学风险评估提供了宝贵信息。
