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
-
探索关键质量指标,并开发利用近红外光谱法评估海鲈(Lateolabrax japonicus)质量评估的无损检测方法
查看原文2025
Food Chemistry
中科院一区JCR一区Ting Ma, Hong Lin, Limin Cao, Jianxin Sui, Qing Wang & Kaiqiang Wang
食品标签
鱼肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究采用化学计量学方法,探究花鲈(Lateolabrax japonicus)感官评价与理化指标之间的关联。通过主成分分析、聚类分析及皮尔逊相关性分析,筛选出三项关键指标:蛋白质含量、b值和肥满度。利用灰色关联分析法对这三项核心品质指标进行权重赋值,构建得到花鲈品质综合评价模型:Y = 0.911 × 蛋白质(g/100 g) + 0.742 × b值 + 0.747 × 肥满度。此外,研究将近红外光谱技术与化学计量学相结合用于花鲈品质评价,借助正交偏最小二乘判别分析可精准区分不同产地的花鲈。针对关键品质指标蛋白质含量建立偏最小二乘回归预测模型,其决定系数R²P达0.926。本研究为开发水产品品质快速、经济且可靠的检测评价方法提供了新思路。
-
结合迁移学习和光谱学,利用相关分析增强猪肉腐败评估
查看原文2025
Food Chemistry
中科院一区JCR一区Jiewen Zuo, Yankun Peng, Yongyu Li, Yahui Chen, Tianzhen Yin& Kuangbin Zhao
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据精准菌落总数(TVC)检测对食品质量监测至关重要。本研究探究了采用可见-近红外(VNIR)光谱(400~1000纳米)结合迁移学习(TL)技术追踪猪肉化学变质的可行性。基于全波段光谱构建的猪肉菌落总数、挥发性盐基总氮、pH值及色泽基础模型均具备良好预测能力;所有模型预测集相关系数(RP)介于0.821~0.916之间,菌落总数模型预测集均方根误差(RMSEP)为0.617(对数菌落形成单位/克)。研究通过对猪肉各项指标开展相关性分析,优化了菌落总数校正模型,并设计了多种用于菌落总数模型优化的迁移学习方法。结果表明,多元相关链堆叠-偏最小二乘算法效果最优,其预测集相关系数达0.947,预测集均方根误差为0.425对数菌落形成单位/克。本研究证实,可见-近红外光谱系统结合迁移学习技术可用于监测肉类化学变质程度,具备实际应用潜力。
-
食品标签
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据出于食品安全原因,根茎类蔬菜等农产品受到关于痕量金属元素(TME)的严格监管。评估这些商品是否符合规定限值通常是通过成本高、耗时的传统分析技术来实现。作为替代方案,我们提出了一种基于反射光谱的、新的快速且可扩展的方法来评估根茎类蔬菜中的TME含量。该方法利用根样本的反射光谱,通过机器学习回归和分类来预测TME的绝对浓度或其是否符合特定阈值。我们的方法已成功应用于预测两种胡萝卜品种在受控条件下根部的镉积累,通过利用根横截面的反射光谱,达到了高达95%的准确率(回归和分类中的R2 = 0.95 和 F1分数 ≥0.96)。我们还探索了使用胡萝卜叶片或未去皮胡萝卜的非破坏性模型,分别对根镉的预测达到了中等到高准确率(0.48 < R2 < 0.87 和 64 < F1分数 < 90)。我们的模型在面对变化的镉限值时表现出稳定的准确性,并能够识别可见光和短波红外区域光谱中对预测贡献最大的波长。因此,我们的研究为评估从田间到收获的农产品中的TME合规性开辟了令人鼓舞的前景。
-
基于MOF的荧光检测在食品安全中的文献计量分析:发展、多策略优化及未来AI融合
查看原文2025
Food Chemistry: X
中科院一区JCR一区Mao Zhang, Yufang He, Zili Tang, Caiyi Qin, Lei Zhang & Hongdong Liu
食品标签
探针与分析传感材料 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
机器学习/统计学习 深度学习食源性疾病发病率的不断上升对全球公共卫生构成了挑战。基于金属有机框架(MOF)的荧光检测凭借高灵敏度、快速响应和操作简便等优势,为食品安全保障提供了一种可靠的解决方案。尽管过去十年间已出现约800篇相关文献,但全面的文献计量分析仍属空白。本研究采用基于CiteSpace的文献计量方法,对相关文献进行定量分析和可视化处理,旨在全面评估食品安全领域的技术发展,并探究当前进展及未来主要趋势。研究强调,通过调控MOF结构以及整合人工智能(AI)进行数据分析和模式识别,可显著提高荧光检测的灵敏度、选择性和效率。这些改进有助于开发出结构定制化、稳定且环保的高性能MOF。本研究通过推动基于MOF的荧光检测与AI的协同整合,为智能食品安全监测系统的发展提供了创新方向。
-
深度学习驱动的可见/近红外光谱设备用于水果品质评估:综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Tao Jiang, Jianjun Ding, Yuhang Du, Shaofeng Yuan, Hang Yu & Weirong Yao
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据背景:可见光和近红外(Vis/NIR)光谱设备的日益普及,加速了其在水果品质评估中的广泛应用。然而,传统的机器学习方法在处理这些设备生成的复杂、非结构化数据时面临挑战,在复杂的应用场景中常常遇到泛化瓶颈。近年来,深度学习(DL)在光谱分析领域取得了显著进展,提高了水果品质评估的准确性,并为该领域的持续创新提供了广阔前景。
范围与方法:本文全面综述了基于深度学习的可见光/近红外光谱设备在水果品质评估中的应用。文中介绍了各种可见光/近红外光谱设备的关键组成部分、优缺点、应用场景,以及相关的深度学习算法和架构。此外,还总结了深度学习与光谱设备在水果品质评估中的融合情况,重点阐述了不同深度学习架构的贡献和局限性,并探讨了当前面临的挑战及未来的研究方向。
主要发现与结论:基于深度学习的可见光/近红外光谱设备在水果品质评估方面展现出巨大潜力。为了实现成本效益和准确性的最优化,设备的选择和深度学习架构的设计应根据特定的应用场景进行定制。尽管仍存在一些局限性,但持续的技术创新有望推动基于深度学习的可见光/近红外光谱系统在工业和商业领域的更广泛应用,从而在未来确保水果品质和真实性的提升。