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 2456 条结果
-
基于特征选择的机器学习通过拉曼指纹实现商业乳制品中多重物种鉴定与掺假量化
查看原文
2025
LWT
中科院一区JCR一区
Yaju Zhao, Xiaofeng Ni, & Minmin Tang
食品标签
乳及乳制品 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
随机森林 K-近邻 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据对高端非牛奶乳制品需求的增加，加剧了对强有力掺假检测方法的需求，以确保产品真实性和消费者安全。本研究提出了一种基于特征选择的机器学习（ML）框架，结合拉曼光谱技术，用于商业乳制品的平行物种认证和掺假量化。分析了来自牛、水牛、牦牛和山羊的牛奶和酸奶样品的拉曼指纹，以识别与基质无关的生物标志物。通过卡方分析进行的特征选择识别出了九个区分特征，包括四个保守的生物标志物，能够有效区分不同产品基质中的物种来源。对各种机器学习分类器进行了评估，以判断它们对乳制品的分类能力，其中随机森林分类器在物种识别方面表现出较高的准确性（>96%）。分析还发现了一些保守特征，可作为物种来源和发酵过程的可靠指标。此外，回归模型成功量化了牛奶在水牛/山羊奶中的掺假水平，其中高斯加权k近邻回归表现出更优性能（测试集R²=0.950/0.918，RMSE=0.076/0.100）。该工作提出了一个可扩展的拉曼-机器学习乳制品鉴定流程，解决了跨基质泛化能力的关键问题，并为工业质量控制提供了一种快速、无损的解决方案。
-
结合拉曼光谱和模型预测定量分析混合橄榄油中的beta-胡萝卜素和不饱和脂肪酸
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yulong Chen, Zhihan Yang, Shan Zeng, Hui Tian, Qingzhou Cheng, Zihan Li & Yang Li
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸 花青素与类胡萝卜素计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据调和植物油因口感适宜、营养成分均衡，被视作市场上极具价值的产品。对其成分含量进行定量检测，对于保障食品安全、维护消费者权益具有重要意义。因此，亟需建立一种快速、无损的检测方法用于分析调和油的组分构成。本研究构建了一种结合拉曼光谱与预测模型的分析方法，用以测定混合油脂中的橄榄油含量。研究采用竞争性自适应重加权采样法，筛选出与β-胡萝卜素及不饱和脂肪酸相关的特征谱带；运用多种模型计算油脂混合比例，并通过灰色关联分析法评估特征峰强度对预测结果的影响程度。结果表明，随机森林模型在定量分析中表现最优，均方根误差为0.0447，决定系数达0.9799。综上，该方法可有效鉴别调和橄榄油，在食品真伪溯源领域具备良好的应用潜力。
-
牛奶矿物质特征光谱有效选择的新策略
查看原文
2025
LWT
中科院一区JCR一区
Li Liu, Zhuo Yang, Gang Xu, Yikai Fan, Yongqing Li, Lijun Cao, Bo Hu, Zunongjiang Abula, Bo Zuo, Wenxin Zheng, & Shujun Zhang
食品标签
液态乳 品质、结构与理化性质 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据准确选择特征光谱对于提高光谱模型的预测精度至关重要。虽然传统的光谱选择方法在一定程度上增强了预测能力，但它们通常在所选波长与目标物质（如牛奶中的矿物质）之间表现出较低的相关性和精确性，从而限制了模型的预测性能。为应对这一问题，本研究提出了一种新颖的多特征随机蛙（MCRF）策略，旨在通过基于光谱波段相对于目标物质的重要性（贡献率）和选择概率的双重准则，提高光谱选择的准确性和稳健性。本研究重点关注牛奶中存在的五种主要宏量矿物质（Ca、K、Na、Mg、P）和五种微量矿物质（Cu、Fe、Mn、Sr、Zn）。使用MCRF策略结合三种已建立的光谱选择技术--竞争性自适应重加权采样（CARS）、非信息变量消除（UVE）和随机森林（RF）--我们识别了每种矿物的特征光谱。这些光谱结合乳液的预处理红外光谱和偏最小二乘回归（PLSR）建模，用于建立矿物浓度的预测模型。与这三种传统选择方法相比，MCRF策略显著提高了矿物含量模型的预测精度。具体而言，使用SNV光谱预处理、MCRF策略和PLSR算法构建的Ca含量预测模型显示出高预测性能，实现了R²为0.96，RMSE为38.14 mg/kg，RPD为4.82--相比全光谱模型优化了5.49%、32.23%和47.85%。同样，P含量模型（SNV + MCRF + PLSR）表现出R²为0.76，RMSE为66.04 mg/kg，RPD为2.04，预测精度分别提高了8.57%、10.71%和12.09%。使用MCRF选择特征光谱建立的其他八种矿物质含量预测模型也显示出较强的预测能力（R²范围为0.57至0.68）。研究结果表明，MCRF策略显著提升了光谱真实性和预测精度。这种新颖的方法为选择特征光谱以及开发用于预测牛奶中矿物质和其他成分含量的精确模型提供了一种有效的策略。
-
采收季节和海拔对凤凰单丛茶可追溯性的影响：基于稳定同位素和机器学习
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Wenwen Liu, Jie Zhao, Wan Wei, Shuilian Liang, Lu Xiao, Manqin Fu, Xu Wang & Yan Chen
食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 质构/流变/感官数据茶叶的可追溯性至关重要，因为其质量和价值会因收获季节和海拔高度而存在显著差异。在本研究中，我们旨在结合δ13C、δ15N、δ2H、δ18O和机器学习来识别凤凰单丛茶的收获季节和海拔高度。我们探究了收获季节、海拔高度、气象因素以及茶叶品种对稳定同位素组成的影响。结果显示，来自不同季节和海拔高度的茶叶样品在稳定同位素比值上存在显著差异，且收获季节对同位素变化的影响大于海拔高度的影响。此外，δ2H和δ18O被确定为季节区分的关键指标。支持向量机模型表现最佳，在区分春季和高海拔地区的高价值单丛茶时，分类准确率超过93%。本研究表明，将稳定同位素与机器学习相结合，为监测茶叶的真实性提供了很有前景的方法。
-
基于双通道特征融合策略与注意力机制的高光谱成像深度学习模型鉴别不健全大豆
查看原文
2025
Food Research International
中科院一区JCR一区
Dianyang Sun, Li Zhang, Haitao Li, Weijie Lan, Kang Tu, Jun Liu & Leiqing Pan
食品标签
豆类与坚果（及籽类） 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
支持向量机 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据高水平数据融合在农产品检测中的应用仍面临重大挑战。本研究提出了结合注意力机制的双通道特征融合模型（DCFFM），以优化利用高光谱图像中的一维光谱数据和二维图像数据，实现高水平数据融合。通过对支持向量机（SVM）、卷积神经网络（CNN）与DCFFM的比较分析，表明DCFFM表现出更优的结果，在可见-近红外（Vis-NIR）波段实现了准确率、精确率、召回率、特异性和F1分数分别为95.13%、95.49%、94.83%、98.97%、95.12%；在短波红外（SWIR）波段分别为94.00%、94.43%、94.16%、98.67%、94.27%。这也表明Vis-NIR波段比SWIR波段更适合识别不健全大豆。此外，通过可视化展示分类结果，从而通过模型反演说明了DCFFM的泛化能力。总之，本研究旨在探索一个能够全面获取高光谱图像中光谱和图像信息的建模框架，实现高水平数据融合，从而达到更高的准确率。
