类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 364 条结果
-
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。
-
基于机器学习的袖珍型近红外分析用于甘薯根中纤维素、半纤维素、木质素和果胶的无创定量
查看原文
2025
LWT
中科院一区JCR一区
Hong-Ju He, Chen Zhang, Longzhu Xing, Hong Qiao, Jicai Bi, Shengyang Niu, Jin Li, Yuling Wang, & Xingqi Ou
食品标签
其他根茎类 品质、结构与理化性质 光谱/色谱/质谱等分析方法 膳食纤维与抗性淀粉 碳水化合物与糖类计算机标签
支持向量机 定量预测/回归分析 红外/拉曼光谱数据本研究开发了一个智能分析框架，将新型海星优化算法（SFOA）与支持向量机回归（SVR）相结合，用于利用近红外（NIR）光谱（900 - 1700 nm）定量分析新鲜甘薯根（SPR）中的纤维素、半纤维素、木质素和果胶浓度（CC、HC、LC、PC）。通过分别以及联合实施连续投影算法和改进的鲸鱼优化算法，分别识别出20、20、20和11个波长作为CC、HC、LC和PC定量的最信息波长（MIWs）。经过SFOA优化的SVR模型，在这些MIWs上训练后，实现了稳健的预测性能，其决定系数和预测均方根误差（R²P & RMSEP）分别为：CC为0.8892 & 0.3811 mg/g，HC为0.8638 & 0.3496 mg/g，LC为0.9225 & 0.2460 mg/g，PC为0.7942 & 0.3868 mg/g。模型的可靠性通过独立测试集和统计假设检验（F检验和t检验）得到了严格验证，确认了方法的稳健性。通过将微型手持近红外光谱仪与SFOA驱动的SVR算法相结合，本研究建立了一种快速、无损、可同时定量测定SPR中纤维素、半纤维素、木质素和果胶的方案。该框架为SPR育种和加工工业中膳食纤维质量的现场评估提供了一种新颖且可扩展的策略。
-
机器学习技术在风味预测与分析中的综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Ikechukwu O. Osinomumu, Umesh Reddy, Gianfranco Doretto & Donald A. Adjeroh
食品标签
感官评价与方法学 光谱/色谱/质谱等分析方法计算机标签
大模型与 LLM 支持向量机 随机森林 K-近邻 卷积神经网络 循环神经网络 生成对抗网络 图神经网络 分类/鉴别/等级评定 组学数据背景：风味预测——即通过挥发性和非挥发性化合物对化合物的感官特征进行计算评估——在食品、饮料、香料和制药行业的创新中变得日益重要。气相色谱-质谱联用（GC-MS）和感官评价等传统方法仍有价值，但在可扩展性、主观性和成本方面存在局限性。由受体-配体相互作用介导的味觉感知，从根本上塑造了风味的多感官体验。
范围与方法：本综述探讨了应用于风味预测的多种机器学习（ML）和深度学习（DL）方法，对它们在甜味、苦味、鲜味/厚味、辛辣味以及多类别味觉预测中的性能进行了基准测试。内容涵盖传统的机器学习算法（支持向量机、随机森林、K近邻算法）和先进的深度学习模型（卷积神经网络、循环神经网络、生成对抗网络和大型语言模型），并额外关注混合策略和集成策略。特别强调了分子表征（简化分子线性输入规范、SELFIES、分子指纹）、多组学数据（基因组学、蛋白质组学和代谢组学）的整合以全面理解风味形成、基因型-表型-风味关系，以及味觉受体信息在提高模型可解释性方面的关键作用。
主要发现与结论：模型性能因味觉模式而异：梯度提升模型和共识模型在甜味预测中表现出色，支持向量机和图神经网络在苦味预测中表现突出，卷积神经网络与图神经网络的混合模型在多类别分类中效果较好。旨味和鲜味预测受益于图神经网络嵌入、iUmami-SCM以及经过实验验证的基于Transformer的模型，而辛辣味预测——尽管研究不足——通过集成模型和结合量子化学的特征显示出良好前景。挑战依然存在，包括高质量数据集有限、对新分子的欠拟合以及深度学习中的可解释性差距。SELFIES和受体-配体感知模型（如BitterX、BitterTranslate、KokumiPD）等进展通过确保结构有效性和增强机制洞察力，解决了这些问题。
意义与创新性：本综述确定了可解释人工智能、物联网驱动的数据收集、多组学融合、分子表征和混合建模等未来发展方向，为下一代食品、香料和制药创新中可扩展、可解释的风味预测提供了路线图。 -
基于可见光/短波近红外光谱与机器学习的山竹果实生理病害分类研究
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Nuttapong Ruttanadech, Abdul Momin, Kittisak Phetpan, Montree Chaichanyut, Chitwadee Thongphut, Thitima Phanomsophon & Thatchapol Chungcharoen
食品标签
新鲜水果 微生物安全 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 智能手机/其他 分类/鉴别/等级评定 高光谱/多光谱光谱准确分类山竹果实的生理病害对确保生产质量、安全性、可持续性和经济可行性至关重要。本研究探讨了可见和短波近红外（Vis/SWNIR）反射光谱结合机器学习算法在分类三种主要病害中的应用，这三种病害分别是：正常果实（NF）、果肉透明病（TFD）以及伴有黄色胶状乳胶的果肉透明病（TFD & YGL）。该研究专门考察了光强度、光谱预处理方法和机器学习模型对分类性能的影响。研究使用两种光强度（150瓦光源的50%和100%）收集光谱数据，并采用三种预处理方法进行处理：标准正态变量变换（SNV）、Savitzky-Golay二阶导数（SGD2）以及SNV与SGD2的组合。分类过程中使用了随机森林（RF）、支持向量机（SVM）和多层感知器（MLP）算法。SGD2方法提高了区分度，尤其是对于TFD & YGL类别，在700-725纳米波长范围内效果显著，该波长范围与果实果皮中的呫吨酮含量相关。较高的光强度（100%）显著提高了分类准确率，使用RF模型时，总体准确率达到0.71，平均F1分数为0.61。尽管取得了这些改进，但由于TFD类别与NF的光谱特征相似，模型仍难以区分二者。总体而言，可见和短波近红外光谱与机器学习相结合的方法在山竹果实病害的无损分类方面显示出巨大潜力。光强度和光谱预处理在提升性能中都发挥着关键作用。未来的研究应着重提高光谱灵敏度，以更好地捕捉果实的内部特征。
-
基于高光谱成像与多元分析的苹果和梨外部缺陷检测与质量评估
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Tanjima Akter, Mohammad Akbar Faqeerzada, Yena Kim, Muhammad Fahri Reza Pahlawan, Umuhoza Aline, Haeun Kim, Hangi Kim & Byoung-Kwan Cho
食品标签
新鲜水果 颜色与外观品质 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 智能手机/其他 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱 大规模数据集高光谱成像（HSI）已成为一种高效、无损的检测技术，用于识别农产品的外部及皮下缺陷，提供快速准确的质量评估。本研究采用一种先进的高光谱成像系统，工作波长范围为400-2500纳米，涵盖可见近红外（VNIR）和短波红外（SWIR）波段，旨在检测苹果和梨的多种缺陷。研究特别关注三种关键缺陷类型：碰伤、疤痕和病害，同时应对缺陷大小、形状和严重程度变化带来的挑战。为提高光谱变异性和检测精度，对苹果和梨进行了不同大小的模拟碰伤处理，以模拟碰伤的早期和晚期阶段。样品在两天内定期进行分析，以捕捉缺陷特征的变化过程。该过程从精心选取的感兴趣区域（ROIs）中获得了超过8300个光谱数据点，为分析提供了全面的数据集。研究采用了三种多元模型——线性判别分析（LDA）、支持向量机（SVM）和偏最小二乘判别分析（PLS-DA）——来分类正常和有缺陷的水果。其中，PLS-DA模型表现出最佳性能，在VNIR范围内对苹果和梨的验证分类准确率分别达到97.5%和100%，在SWIR范围内分别达到98%和99.9%。此外，研究采用连续投影算法（SPA）进行最优波段选择，并从高性能模型中提取SPA beta系数，生成了化学可视化图谱，实现了缺陷的精确定位和详细表征。通过结合快速准确的缺陷识别与全面的缺陷表征，本研究为工业采后质量控制提供了一个实用高效的框架，最终提升了高价值农产品的市场适销性和贮藏稳定性。
