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
-
机器学习辅助的江味白酒香气组合预测
查看原文2025
Food Chemistry
中科院一区JCR一区Min Zhu, Mingyao Wang, Junfeng Gu, Zhao Deng, Wenxue Zhang, Zhengfu Pan, Guorong Luo, Renfu Wu, Jianliang Qin & Katsuya Gomi
食品标签
酒精饮料 品质、结构与理化性质 风味组学计算机标签
机器学习/统计学习 卷积神经网络 定量预测/回归分析 质构/流变/感官数据江味白酒(JFB)复杂的风味源于数百种化合物在物理化学和感官层面的相互作用,使得准确感知变得极具挑战性。现代机器学习技术提供了精确且科学的方法来预测感官属性。本研究将风味组学和感官分析应用于中国主要产区的27个代表性JFB样本,整合五种机器学习算法,建立了预测全球香气特性的新策略。结果表明,神经网络(NN)模型优于其他模型,有效捕捉了香料化合物之间复杂的相互作用。模型解剖识别出18个化学参数,可能影响整体香气特征。这些因素的重要性通过掺杂和省略测试进一步验证,显著增强了商业烈酒的感官体验。本研究展示了机器学习在JFB风味研究中的潜力,并为其风味形成的机制提供了宝贵见解。
-
基于化学计量学分析和数据融合策略筛选用于鉴别淡水和海水养殖鲑科鱼类的特征变量
查看原文2025
Food Chemistry
中科院一区JCR一区Ziyang Zheng, Cui Han, Xuan Dong, Yangeng Zhou, Xiangli Tian, Qinfeng Zhao & Li Li
食品标签
鱼肉 光谱/色谱/质谱等分析方法计算机标签
支持向量机 特征工程与选择策略 分类/鉴别/等级评定 多模态/融合数据 小规模数据集选择能够区分淡水养殖和海水养殖鲑科鱼类的特征变量,对于建立可靠的溯源方法至关重要。本研究中,鲑科鱼类在三种不同的盐度变化模式下养殖了94天。对它们的稳定同位素、元素和磷脂脂肪酸进行了表征。不同变量对盐度变化表现出不同的敏感性。通过各种数据融合策略对这些数据进行整合,创建了五个数据集,分别包含40、12、12、9和7个变量。将这五个数据集与支持向量机(SVM)、随机森林(RF)、线性判别分析(LDA)和正交偏最小二乘判别分析(OPLS-DA)相结合,对来自不同养殖方式的86条鲑科鱼类进行区分。使用SVM和数据集IV获得了100%的满意判别率。该数据集包含的9个变量(δ2H、δ18O、Sr、C18:0、ΣSFA、C20:3n3、C22:6n3、C18:2n6和ΣPUFA)是区分淡水养殖和海水养殖鲑科鱼类的潜在指标。
-
基于种子多光谱成像与机器学习算法区分不同品种生菜的研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Jinpeng Wei, Zhangyan Dai, Qi Zhang, Le Yang, Zhaoqi Zeng, Yuliang Zhou, Jun Liu & Bingxian Chen
食品标签
新鲜蔬菜 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 随机森林 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据准确识别优质种子对于保持优良作物性状至关重要。生菜是一种消费量很大的蔬菜,品种多样,然而传统的识别方法既耗时又费力。本研究探索了利用多光谱成像结合机器学习快速、无损识别不同生菜品种的可行性。我们首先通过多光谱成像收集了15个生菜品种的种子形态和光谱数据。然后,我们应用支持向量机(SVM)、随机森林(RF)、反向传播神经网络(BP)和线性判别分析(LDA)进行品种识别。结果表明,多光谱成像结合机器学习模型能够有效区分不同的生菜种子品种。基于形态和光谱融合特征数据的LDA模型表现最佳,平均分类准确率为92.7%。在批量验证中,LDA模型的准确率达到了93.2%。这种方法降低了成本,提高了效率,在其他作物的种子识别方面显示出巨大潜力。
-
通过智能包装、胶片成像和色谱特征的多模态深度融合,实现鲑鱼鲜度的无损检测
查看原文2025
Food Packaging and Shelf Life
中科院一区JCR一区Haibo Xu, Jingru Chang, Mingyang Sun, Jialing Li, Haitao Wang, Yuanda Sun, Wentao Su & Xiaoyang He
食品标签
鱼肉 货架期预测与品质劣变动力学 智能/指示型包装 包装系统中的监测与标签应用 常规理化指标测定计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 多模态/融合数据水产品的快速腐败需要高效、无损的鲜度检测方法。本研究提出了一种通过嵌入单宁酸-Fe2+络合物作为颜料制备的柔性荧光光学传感器阵列,以监测鲑鱼腐败过程中与总挥发性盐基氮(TVB-N)相关的pH值和颜色变化。利用传感器阵列的智能手机图像训练了一个融合视觉与颜色特征的双模态深度学习模型。我们提出了iCFreshNet,这是一个基于EfficientNet-B0的多模态框架,它将双通道特征提取器与改进的标量门控融合及轻量级门控融合一致性相结合,以增强特征的鲁棒性和协同性。在对比实验中,iCFreshNet在本地计算环境中实现了毫秒级的推理延迟,测试准确率达到99.0%,优于ResNet50、CLIP和微调的大模型。训练后的模型能出色地区分颜色线索,并能泛化到不同的样本,展现了在食品安全应用中用于智能包装和实时鲜度监测的强大潜力。
-
使用高光谱技术快速无损鉴别大米储存年份
查看原文2025
Food Control
中科院一区JCR一区Xiaorong Sun, Xinpeng Zhou, Cuiling Liu, Chunlin Li, Shanzhe Zhang & Dongyu Zheng
食品标签
大米 其他品质相关性质 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 分类/鉴别/等级评定 高光谱/多光谱光谱大米是全球超过一半人口的主食。食用长期储存的大米会对人体健康产生不利影响。为此,本研究提出采用近红外(NIR)高光谱成像(HSI)技术对不同储存年限的大米进行区分。首先,利用多元散射校正(MSC)、标准正态变量变换(SNV)和一阶导数(1st Derivative)对HSI数据进行预处理。为降低光谱特征的维度并实现可视化,采用主成分分析(PCA)和t分布随机邻域嵌入(t-SNE)方法对数据进行降维与展示。同时,通过竞争性自适应重加权采样(CARS)和最小绝对收缩与选择算子(Lasso)算法提取光谱的特征波长。此外,结合图像纹理信息,采用局部二值模式(LBP)、灰度共生矩阵(GLCM)和Tamura算法对大米样本的纹理特征进行分析。为实现光谱与纹理特征的有效融合,分别构建了支持向量机(SVM)和极端梯度提升(XGBoost)模型:其中SVM模型采用鲸鱼优化算法(WOA)进行参数优化,而XGBoost模型则基于融合后的光谱与纹理特征进行训练。实验结果表明,相较于其他单一或组合模型,该特征融合模型表现最优,分类准确率达到98.89%。综上所述,高光谱成像技术可作为一种高效、可靠的方法,用于不同储存年限大米的快速无损鉴别。