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
-
MSI-FusionNet:用于高粱品种鉴别的多模态光谱-图像融合网络
查看原文2025
Food Chemistry: X
中科院一区JCR一区Xinjun Hu, Mingkui Dai, Anjun Li, Ying Liang, Wei Lu, Jiahao Zeng, Jianheng Peng, Jianping Tian, Manjiao Chen & Liangliang Xie
食品标签
杂粮 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 高光谱/多光谱光谱 多模态/融合数据高粱品种间的成分差异会影响白酒的酿造过程、风味特征及整体品质。本研究提出了一种多模态光谱-图像融合网络(MSI-FusionNet)数据融合模型,用于快速且准确地识别高粱品种。该模型整合了通过高光谱成像获取的一维光谱数据和利用工业显微镜拍摄的二维图像数据。该模型对12个高粱品种的识别准确率达到93.33%。与单独使用光谱数据或图像数据相比,MSI-FusionNet的准确率分别提高了11.11%和29.63%。为了平衡性能与效率,研究对多种经典的二维卷积神经网络(2DCNN)架构进行了评估。以ShuffleNetV2作为2DCNN结构的MSI-FusionNet模型表现出更优的效率,在保持高准确率的同时,显著降低了模型复杂度和计算成本。MSI-FusionNet为酒类企业提供了一种高效且准确的高粱品种识别解决方案,有助于稳定白酒的风味和品质,并为酿酒行业提供了有价值的技术支持。
-
利用SHAP值解释机器学习模型:应用于不同部位羊肉营养分类与预测任务
查看原文2025
Food Chemistry: X
中科院一区JCR一区Li Wang, Xuchun Sun, Jing Liang, Zhiyuan Ma, Fei Li, Shengyan Hao, Baocang Liu, Long Guo & Xiuxiu Weng
食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据新鲜肉类产品中营养成分的快速识别和预测是一项重大挑战。本研究旨在利用支持向量机(SVM)和偏最小二乘(PLS)模型对不同部位的新鲜羊肉进行分类并预测其营养成分,重点关注腰大肌、后腿肉和前腿肉在脂肪酸组成上的差异。SVM-SHAP模型对粗脂肪、蛋白质和脂肪酸进行了预测,同时解释了特征贡献。后腿肉中的多不饱和脂肪酸(PUFA)显著高于腰大肌和前腿肉。SVM模型的分类准确率达到92.5%,并成功预测了粗脂肪(EE)、粗蛋白(CP)、单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)等关键营养参数,在测试集中的相对分析误差(RPD)值均超过2.7。SHAP值分析表明,与脂质相关的变量以及2300–2500 nm波段的波长是该模型的主要贡献因素。基于可见-近红外(Vis-NIR)的SVM建模技术是一种快速、无损且准确的新鲜羊肉评估工具。
-
推进可持续食品包装:整合机器学习、深度学习和人工智能
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Jyoti, Atul K. Gupta, Ashok Kumar & Bhuvnesh Kumar
食品标签
食品安全与风险评估 智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链 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 深度学习 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 高光谱/多光谱光谱背景:人工智能(AI)在食品包装领域的应用正通过突破性技术改变食品行业,这些技术旨在提高食品安全、质量和可持续性。越来越多的人工智能技术,包括机器学习(ML)和深度学习(DL),正被整合到包装策略中。
范围与方法:本文深入概述了智能、活性和智能包装系统的发展,重点关注基于人工智能的技术,如机器学习(ML)和深度学习(DL)。此外,还讨论了高光谱成像(HSI)和机器人技术等新型智能技术,以确定它们在优化包装流程中的应用。本文全面审视了人工智能在食品包装中的各种应用,包括保质期预测、质量评估和缺陷检测。此外,还存在数据异质性、模型能力和可扩展性等挑战,这些挑战凸显了建立稳健的人工智能框架以确保成功部署的必要性。总体而言,食品包装行业有能力利用人工智能提高生产力、改善食品安全并减少食品浪费。
主要发现与结论:人工智能在食品包装中的应用带来了显著益处,包括提高生产力、改善食品安全和减少浪费。要充分利用这些技术,必须解决数据和模型性能方面的难题。未来研究应优先开发全自动检测解决方案和实时监控系统,以显著提升食品包装的可持续性和真实性。 -
非靶向挥发学用于通过气相色谱-离子迁移光谱和多元曲线分辨率验证藏红花
查看原文2025
Food Chemistry
中科院一区JCR一区Hadi Parastar, Hassan Yazdanpanah& Philipp Weller
食品标签
食用花卉 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定本研究建立了一种基于顶空气相色谱-离子迁移谱(HS-GC-IMS)的新型非靶向挥发性组学研究方法,用于藏红花的真伪鉴别与产地溯源区分。研究采用多元曲线分辨-交替最小二乘法(MCR-ALS)解析得到藏红花代谢物的纯色谱洗脱图谱与离子迁移谱图谱。采用顶空气相色谱-离子迁移谱对伊朗七大主产区的藏红花样品进行检测分析,将所得二阶色谱-离子迁移谱数据集构建增广矩阵,并在多种约束条件下通过多元曲线分辨-交替最小二乘法进行数据处理。对经多元曲线分辨-交替最小二乘法解析后的色谱图谱,采用主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)以及数据驱动类独立软模式法(DD-SIMCA)多种模式识别技术开展分析。该方法可将藏红花样品准确划分至七个地理产地,准确率达89.0%;同时可精准鉴别花柱、红花、茜草、金盏花四种常见掺假物,鉴别准确率高于94.0%。对比结果表明,气相色谱-离子迁移谱的分析性能显著优于目前常用的傅里叶变换近红外光谱技术。
-
融合图像与光谱信息的红茶数字拼配优化策略
查看原文2025
Food Research International
中科院一区JCR一区Zhangjie Xia, Qiaoyi Zhou, Shuen Yang, Feihu Song, Zhenfeng Li, Jiecai Wang, Caijin Ling & Chunfang Song
食品标签
茶/茶饮料 加工与新加工技术 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
超参优化/自动机器学习 过程控制与实时优化 可见光/RGB/视频数据 红外/拉曼光谱数据 多模态/融合数据筛选、拣选和拼配是精制茶的三大加工程序。其中,拼配是改善茶叶外观和风味的关键步骤,并能够大批量提供标准化的茶叶产品。传统上,茶叶拼配由经验丰富的拼配师根据每种毛茶的感官审评结果进行。在本研究中,机器视觉用于获取金毫、色泽和条索作为主要的图像信息。近红外光谱用于分析茶叶中的各种成分以评估茶汤滋味。然后,将图像信息和光谱信息输入红茶数字拼配模型,实现红茶的数字化拼配,并通过专业审评验证结果。研究选择了GDE3、NSGAII和NSGAIII算法,将茶叶拼配问题转化为一个同时考虑成本和品质的多目标优化问题。GDE3算法的收敛速度和收敛程度均优于其他两种算法。本研究表明,红茶的数字拼配为茶叶标准化提供了一种新颖而有效的方法。