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 1098 条结果
-
基于近红外光谱与化学计量学的巴西特种绿色卡内菲拉咖啡溯源研究
查看原文2025
Food Research International
中科院一区JCR一区食品标签
咖啡饮料 质量管理与追溯系统 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据有必要开发高效的分析方法来识别咖啡豆的产地,特别是对于巴西等大型生产国提供的高附加值地理标志咖啡。然而,挑战不仅在于需要快速、清洁的技术,还在于理解样品制备和数据处理如何直接影响所应用技术的性能。本研究将近红外光谱与偏最小二乘判别分析相结合,评估了区分具有公认地理标志的绿色咖啡样品的能力,并考察了样品呈现形式和光谱预处理的影响。结果表明,近红外光谱对整豆和研磨绿色咖啡均表现出高效率,实现了100%的正确预测。最有效的预处理方法是Savitzky-Golay一阶导数与乘性散射校正的组合。这表明该技术可用于绿色咖啡贸易中的快速鉴别,直接分析天然整豆更具优势,因为它避免了需要使用液氮和专用研磨机的研磨过程。因此,近红外光谱结合PLS-DA是一种非侵入性、易于操作、低成本且灵敏的技术,可直接应用于完整的卡内菲拉咖啡样品。
-
基于人工智能的新鲜果蔬加工前智能前处理研究进展与应用前景
查看原文2025
Food Research International
中科院一区JCR一区食品标签
水果/蔬菜与菌菇类/植物类 加工与新加工技术 显微与成像技术计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 缺陷/异物检测与定位 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据果蔬加工前处理是加工过程中的关键步骤,直接影响到后续加工产品的品质、口感、营养保留和生产效率。传统的果蔬前处理技术多依赖人工经验和简单机械操作,导致效率低下、精度难以保证等问题。将人工智能技术整合到果蔬前处理中,有望克服传统技术的局限性。本文介绍了几种主要的人工智能技术,如机器学习、深度学习和人工神经网络,及其相关的应用场景,如计算机视觉系统和电子鼻,并综述了人工智能在果蔬分选、分级、清洗、去皮、切割、护色和漂烫等前处理环节的研究进展与应用前景。目前,人工智能技术已能实现果蔬的自动分选、缺陷精准识别及相关参数的预测与优化,充分展示了其在果蔬加工中的潜力。未来,随着多学科融合的深入,人工智能有望实现预处理一体化的自动控制,从而推动果蔬加工产业向智能化方向迈进。本研究为进一步探索人工智能在果蔬加工前处理中的应用提供了理论依据和实践参考。的食品真实性鉴别具有实际可行性。
-
多元曲线分辨率结合偏最小二乘判别分析与可见-近红外高光谱成像用于大米真实性鉴别
查看原文2025
Food Research International
中科院一区JCR一区食品标签
大米 食品安全与风险评估 显微与成像技术 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集大米是全球近一半人口的主食,在亚洲尤其是一种重要的农产品。然而,欺诈行为,如将优质与劣质大米品种混合并以高价出售,给该行业带来了巨大挑战。本研究旨在利用可见-短波近红外高光谱成像技术对大米样品进行真实性鉴别。为此,研究从伊朗北部三个省份(吉兰、马赞德兰和戈勒斯坦)获取了163个完整大米样品,包含四个不同品种(Hashemi、Shiroodi、Fajr和Neda)。使用HSI设备扫描样品以记录其三维数据。将不同样品的HSI数据按列方向组合成增强数据矩阵,其中行代表不同样品的像素,列代表波长。采用多元曲线分辨率-交替最小二乘法提取了目标组分的纯空间分布图和光谱轮廓。由于劣质大米样品被视为优质样品的掺假物,所获数据被用于根据产地鉴别样品以及进行掺假检测。据我们所知,MCR-ALS算法此前尚未被用于完整形态大米的真实性鉴别。进一步对样品的光谱解析轮廓应用了化学计量学分析,包括主成分分析和偏最小二乘判别分析。这使得我们能够区分三个不同产地和四个品种的大米样品,并进行掺假检测,在预测集中分别实现了94.4%、82.75%和100%的分类准确率。这一结果表明,成像方法用于快速、经济、非破坏性的食品真实性鉴别具有实际可行性。
-
季节性变化驱动浓香型大曲核心微生物的演变:一项整合多组学分析与深度学习的研究
查看原文2025
Food Research International
中科院一区JCR一区食品标签
酒精饮料 发酵食品及酱腌制品 保藏与贮藏 微生物与发酵实验计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析核心微生物在决定大曲(一种发酵剂)质量方面起着至关重要的作用,其识别和调控对于进一步控制大曲和白酒的质量至关重要。因此,本研究揭示了季节和压制模式变化下大曲的风味动态和微生物演替,并基于此,通过整合高通量测序和深度学习揭示了核心微生物和群落组装。对120个大曲样品的理化性质和风味化合物分析表明,春季生产的大曲表现出更高的酶活性、酯类和吡嗪类化合物的多样性和丰度。此外,硬脂酸甲酯和2-十一酮被鉴定为区分不同季节生产的大曲的差异风味化合物。优势细菌均与耐热微生物和酸度相关微生物(如芽孢杆菌属、高温放线菌属、葡萄球菌属和魏斯氏菌属)有关,而真菌在所有季节中主要由嗜热子囊菌属和嗜热丝孢菌属组成。通过对微生物、理化性质和风味化合物之间相互作用的调查,并借助数据驱动的关键物种识别(DKI)框架进行验证,揭示了不同季节生产的大曲的核心微生物。地霉属和棒孢酵母属被鉴定为不依赖于季节变化和压制模式的核心微生物。进一步基于βNTI和RCbray的分析被用于研究大曲的群落组装过程,结果表明在季节变化过程中,随机漂变始终主导着群落组装。这些发现可能为优化不同季节浓香型大曲的生产,并进而提升大曲质量提供科学指导。
-
基于高光谱成像与深度学习的蓝莓检测
查看原文2025
Food Research International
中科院一区JCR一区食品标签
新鲜水果 过程监测与在线检测 碳水化合物与糖类计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱具有不同糖含量的蓝莓具有不同的风味和市场价值。本研究利用分数阶微分和改进的拉普拉斯特征映射,对复杂场景下不同品种和成熟度蓝莓的高光谱数据进行预处理和波段选择。探讨了高光谱成像技术结合深度学习模型检测不同品种和成熟度蓝莓糖含量的能力,可实现不同蓝莓糖含量的快速检测,满足蓝莓大规模生产的要求。本文使用三个蓝莓品种F6、L11和L25,将蓝莓成熟度分为三类(成熟、半成熟和未成熟)。首先,使用MSC与FOD组合对蓝莓高光谱数据进行预处理,以增强不同蓝莓样本的光谱信息并突出细微特征。然后,使用基于距离函数和核函数的改进拉普拉斯特征映射来提取特征波段,使其能更好地适应FOD处理后的数据并高效选择特征波段。最后,构建定制的浅层卷积神经网络模型进行训练,并将该方法与其他传统的预处理、波段筛选和建模方法进行比较,以获得最优预测模型。结果表明,经过MSC和FOD处理后,1.10阶的CNN模型整体效果最佳(Rp^2 = 0.8597, RMSEP = 0.8552%, RPDP = 2.6694),该模型使用改进的拉普拉斯特征映射提取特征光谱,具有良好的鲁棒性和准确性。同时,这充分验证了FOD结合改进的拉普拉斯特征映射在处理复杂场景蓝莓高光谱数据中的有效性和适用性,且轻量级CNN模型的组合在简化模型结构的同时,能显著提高蓝莓糖含量预测的准确性和性能。上述结果表明,本研究提出的模型对于复杂场景下不同品种和成熟度蓝莓糖含量的检测具有很大的潜在应用价值,可为后续相关研究提供参考。