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 167 条结果
-
滑动窗口增强的嗅觉可视化图像结合深度学习预测冷鲜羊肉TVB-N含量
查看原文2025
Meat Science
中科院一区JCR一区Shichang Wang, Yixin Zhang, Rongguang Zhu, Fukang Xing, Jiufu Yan, Lingfeng Meng & Xuedong Yao
食品标签
畜肉 其他品质相关性质 其他理化与结构表征计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 模型轻量化/边缘计算 定量预测/回归分析 可见光/RGB/视频数据本研究提出了一种新的嗅觉可视化图像数据增强方法,结合深度学习实现了冷鲜羊肉中总挥发性盐基氮含量的准确预测。具体来说,研究定义并使用了滑动窗口,通过对滑动位置信息进行编码和解码,从每个传感区域分别提取不同的感兴趣区域,从而对嗅觉可视化图像进行了增强。这种增强方法考虑了嗅觉可视化传感器阵列在制备和反应过程中敏感点的位置偏移和颜色呈现不均匀性。基于增强后的图像,建立了三种先进的深度学习模型(InceptionNetV3、ResNet50和MobileNetV3),并与基于手动提取颜色空间特征的三种传统机器学习模型(偏最小二乘回归、支持向量回归和随机森林)进行了比较。通过比较,InceptionNetV3、ResNet50和MobileNetV3深度学习模型具有更好的预测性能,其中MobileNetV3模型获得了最优的预测结果。最佳预测模型在测试集上的决定系数为0.97,均方根误差为2.42 mg/100 g,相对预测偏差为5.82。结果表明,嗅觉可视化传感器阵列与轻量级MobileNetV3模型的结合能够稳定、有效地预测冷鲜羊肉的TVB-N含量,在羊肉新鲜度的现场评估方面具有巨大潜力。
-
利用可见-近红外和短波红外光谱数据融合对鲜猪肉主要成分的无损检测
查看原文2025
LWT
中科院一区JCR一区Zhilei Ren, Ruoxin Chen, Wei Ning, Jingran Bi, Gongliang Zhang, & Hongman Hou
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸计算机标签
偏最小二乘法 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据为了实现对猪肉主要成分的快速无损检测,建立了部分最小二乘回归(PLSR)模型,利用可见近红外光谱(VNIR)和短波红外光谱(SWIR)结合数据融合策略,预测猪腰长肌(PLM)的水分、脂肪和蛋白质含量。结果表明,低级数据融合策略在预测水分含量方面最有效(R P = 0.971, RMSEP = 0.192),而高级数据融合策略在预测脂肪含量(R P = 0.961, RMSEP = 0.770)和蛋白质含量(R P = 0.929, RMSEP = 0.281)方面表现更优。具体来说,与单一光谱源模型获得的最佳结果相比,通过数据融合建立的水分、脂肪和蛋白质含量模型的RPD值分别提高了1.206、0.333和0.300。总之,将VNIR和SWIR光谱数据与数据融合策略相结合,有效地解决了单一光谱检测范围有限的问题,为高效定量分析猪肉化学成分提供了一种有前景的替代传统分析方法。此外,它还为开发手持式肉类分析仪提供了核心算法,并支持快速现场检测设备的产业化。
-
一个多层次协作注意力网络,通过自适应加权特征选择和多通道特征融合,精确定量分析预测莱克多胺浓度
查看原文2025
Food Chemistry
中科院一区JCR一区Tianzhen Yin, Yankun Peng, Yongyu Li, Kuanglin Chao, Sen Nie, Fenfei Yan & Jianwen Zhao
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
序列到序列/编码-解码 定量预测/回归分析 红外/拉曼光谱数据表面增强拉曼光谱技术(SERS)凭借检测速度快、灵敏度高的优势,具备巨大应用潜力。但信号噪声、信号波动以及光谱偏移等问题,会对其检测猪肉中莱克多巴胺的效果产生不利影响。为解决上述问题,本文提出层级梯度感知光谱网络(HGASNet)。该网络的核心创新在于内置的光谱梯度加权注意力模块(SGWA)与多通道峰值注意力机制模块(MCPAM)。光谱梯度加权注意力模块可动态调整特征权重,提升对关键拉曼光谱偏移特征的敏感度;多通道峰值注意力机制则利用多通道注意力机制,更好地捕捉长距离依赖关系,并融合全局与局部信息。此外,层级梯度感知光谱网络的层级结构能够逐级提取并融合不同层级的特征。实验结果表明,层级梯度感知光谱网络的性能优于现有方法,决定系数R²达到0.9972,均方根相对误差为0.0413,对称平均绝对百分比误差为6.47%,平均绝对百分比误差为6.72%。
-
基于随机森林递归特征消除集成学习方法的羔羊肉产地溯源性代谢组学研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Chongxin Liu, Simona Grasso, Nigel Patrick Brunton, Qi Yang, Shaobo Li, Li Chen & Dequan Zhang
食品标签
畜肉 光谱/色谱/质谱等分析方法 代谢组学计算机标签
随机森林 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据羊肉的产地溯源一直是消费者关注的长期问题。尽管非靶向代谢组学在肉类产地溯源中得到了广泛应用,但在实现生物标志物的快速准确识别方面仍存在挑战。本研究采用非靶向代谢组学对五个地理标志肉羊品种进行分析,获得了包含4139种代谢物的谱图数据。通过随机森林递归特征消除法,初步鉴定出29种潜在生物标志物,这些标志物在品种特异性和生产环境相关的变异方面表现出显著差异。经过进一步评估,一组优化后的14种代谢生物标志物在羊肉产地溯源中展现出最佳的准确性和稳健性。与朴素贝叶斯算法结合时,这些生物标志物在所有评估的机器学习方法中取得了最高的分类准确率。与以往的分析方法相比,随机森林递归特征消除法为处理高维代谢组学数据集提供了一种实用的方法。这些发现也为基于机器学习的生物标志物组的开发提供了宝贵见解,极大地提升了肉羊的品种特异性溯源能力。
-
基于遗传算法结合支持向量回归,探索烤牛肉中杂环芳香族胺的预测和生成模式
查看原文2025
Food Chemistry
中科院一区JCR一区Wenrui Li, Jiachen Yu, Nanjiang Ren, Long Huang, Yike Dang, Yongning Wu & Guoliang Li
食品标签
畜肉 品质、结构与理化性质 传统热加工 过程监测与在线检测计算机标签
支持向量机 主成分分析/判别分析 定量预测/回归分析杂环芳香胺(HAAs)是食品加热过程中产生的有害副产物。因此,探究杂环芳香胺的预测规律与生成机理具有重要研究意义。本研究采用遗传算法(GA)与支持向量回归(SVR),基于加热条件构建杂环芳香胺预测模型,揭示加热温度和加热时间对烤牛肉中杂环芳香胺前体物质及生成量的影响规律,研究不同加工条件下杂环芳香胺的生成特征。主成分分析(PCA)结果表明,随着加热温度升高、加热时间延长,对杂环芳香胺生成量的影响程度随之增大。GA-SVR模型在预测杂环芳香胺含量时,绝对误差趋近于零,回归相关系数(R)接近1。该GA-SVR模型可应用于烤牛肉中杂环芳香胺的实时监测,为肉制品热加工过程中有害物质管控与智能化加工提供技术支撑。