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 236 条结果
-
超越人眼视觉：利用紫外荧光成像和 YOLO11 突显并检测柑橘果实隐蔽缺陷
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Dayuan Wang, Min Zhang, Qibing Zhu, Bhesh Bhandari, & Luming Rui
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术 多酚与黄酮计算机标签
目标检测网络 模型可解释性 缺陷/异物检测与定位 红外/拉曼光谱数据 可见光/RGB/视频数据柑橘类水果因真菌感染和机械损伤而遭受大量采后损失。在采后质量控制中，早期腐烂和轻微损伤等视觉上不明显的缺陷检测仍具有挑战性。本研究提出一种创新的无损检测系统，将紫外荧光成像与先进的 YOLO11 深度学习相结合，用于检测早期或隐蔽缺陷，包括真菌感染（绿霉、青霉和酸腐）以及机械损伤（碰伤和刺伤）。研究发现，当真菌感染或机械损伤破坏柑橘果皮油腺时，缺陷区域释放的富含多甲氧基黄酮的精油在 365 nm 紫外光照射下会发出明亮的黄绿色荧光。在所评估的 YOLO 变体中，YOLO11n 表现最佳，精确率为 0.939，召回率为 0.933，mAP@0.5 为 0.969，可在多种柑橘品种中有效定位并分类健康和缺陷果实。Grad-CAM++ 可视化证实，模型聚焦于真实荧光缺陷区域，同时忽略非缺陷荧光特征。高质量荧光成像数据为检测创造了近乎理想的条件，即均匀暗背景和明亮缺陷信号，从而增强检测能力并使深度学习模型获得高准确率。该紫外荧光-YOLO11 框架为自动化柑橘品质检测提供了低成本、高质量、可解释且易部署的解决方案，有望减少全球柑橘供应链中的重大采后损失。
-
探究冲击损伤对库尔勒香梨光学特性的影响及梨组织中光传播的蒙特卡罗模拟
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Saiwei Yu, Dayang Liu, Daocheng Li, Hongrui Hao, Mianqing Yang, & Guoliang Chen
食品标签
新鲜水果 微观结构与成像 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据近红外光谱和高光谱成像在库尔勒香梨冲击损伤无损检测中显示出较强潜力。为研究冲击损伤影响光学特性的机制，本研究在 940-1650 nm 波段分析完整梨以及冲击后 3、24 和 48 h 梨样的光学参数、微观结构和内部品质，并采用多层蒙特卡罗（MCML）模拟追踪梨组织中的光传播。结果表明，随着损伤后时间延长，细胞等效直径和圆度增加，而细胞壁厚度和硬度下降。果肉在 976 和 1195 nm 处的吸收系数随时间升高，果皮在 1198 和 1460 nm 处也呈现类似但较弱趋势。约化散射系数在完整组织中最高，并随时间下降；其与硬度、细胞壁厚度和细胞等效直径的相关性更强，平均绝对相关系数超过 0.85。MCML 模拟表明，漫反射可作为检测梨冲击损伤的有效指标，并随时间下降。在 1063 nm 处，损伤 48 h 的样品沿深度轴能量分布最深，而完整样品最低，说明该波长对损伤检测至关重要。基于约化散射系数并结合预处理算法的支持向量机模型取得最佳分类性能，训练集和测试集准确率分别为 92.05% 和 90.30%。本研究为采后库尔勒香梨冲击损伤无损光学检测提供了基础认识。
-
基于 HS-SPME/GC-IMS 和 GC-MS 的葡萄-桑葚共发酵酒挥发性指纹分析：质量与真实性控制新策略
查看原文
2026
Food Control
中科院一区JCR一区
Mingyue Ji, Jiangang Gong, Yuchao Liu, Chuan Liu, Changwei Ao, Min Wang, & Jianxin Tan
食品标签
新鲜水果 酒精饮料 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 发酵工艺与动力学 其他植物化学物质计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据 质构/流变/感官数据本研究通过桑葚和葡萄共发酵开发了一种新型果酒，以提升风味和营养价值。研究采用顶空固相微萃取-气相色谱-质谱和气相色谱-离子迁移谱，并结合主成分分析、偏最小二乘判别分析和正交偏最小二乘判别分析等多变量统计方法，考察 5 种酒样的挥发性有机化合物和感官特性：GW 为 100% 赤霞珠葡萄酒，GMH、GML、GMB 和 GMM 分别为葡萄与黑珍珠桑葚、龙桑桑葚、北京 1 号桑葚和梦建桑葚共发酵酒。GC-MS 分别在 5 种酒中鉴定出 55、49、47、50 和 49 种 VOCs，GC-IMS 在所有样品中检测到 66 个信号。VOCs 主要为酯类、醇类和酸类。多变量分析能有效区分不同酒样，并揭示其特征挥发物谱。己酸乙酯、乙酸异戊酯和 2-苯乙酸乙酯是果香的主要贡献物，而苯乙醇和苄醇贡献花香。己酸乙酯与感官评分呈最强正相关（r = 0.93，p < 0.01）。结果表明，原料选择和共发酵显著塑造果酒的挥发性和感官特征。GC-MS 与 GC-IMS 的互补使用，并结合感官分析和多变量统计，可为新型发酵果饮的评价和优化提供综合框架。
-
来源分析：基于SN-和LA-ICP-MS的草莓鉴定
查看原文
2026
Food Chemistry
中科院一区JCR一区
Lina Cvancar, Denise Meyer, Marie-Sophie Müller, Greta Kupitz, Marie Oest, Marina Creydt, & Markus Fischer
食品标签
新鲜水果 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 矿物质与微量元素计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集根据其产地，草莓的价格可能差异很大。例如，来自德国的水果相比进口商品可能价格较高，这可能助长以经济为动机的食品欺诈。在本研究中，采用了两种不同的样品制备技术--酸消解和激光烧蚀--以利用ICP-MS和多变量数据分析确定草莓的来源。来自六个国家（埃及、德国、希腊、荷兰、波兰和西班牙）的403个样本被用于开发分类模型。使用溶液雾化技术，以91.7%的准确率区分了德国和进口草莓。草莓籽被确定为替代激光烧蚀方法的最佳基质。通过激光烧蚀，利用两分类模型获得了88.0 ± 12.1%的准确率，提供了最佳结果。经典的SN-ICP-MS提供了非常好的分类结果；然而，与创新且资源高效的LA-ICP-MS相比，它需要更多的试剂和时间，使其成为食品欺诈检测的一个现实工具。
-
新鲜农产品青霉腐烂的无损诊断和早期预警系统：新兴技术综述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Wenpeng Ma, Te Ma, Dongchao Ji, & Satoru Tsuchikawa
食品标签
新鲜水果 新鲜蔬菜 货架期预测与品质劣变动力学 过程监测与在线检测 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
深度学习 模型可解释性 缺陷/异物检测与定位 多模态/融合数据 高光谱/多光谱光谱背景：由青霉菌引起的收获后腐烂是全球粮食安全的主要威胁，对易腐作物造成了巨大的损失。传统的检测方法（人工检查、微生物培养、分子检测）具有主观性、耗时或破坏性，无法满足工业对快速、无损和在线监测的需求。传感器微型化、计算能力和深度学习的最新进展，使得无损检测（NDT）从单一缺陷识别发展为自适应学习的多模态感知系统。范围与方法：本综述系统地审查了食品供应链中用于早期青霉菌诊断的新兴无损检测技术。基于视觉/光学的方法（可见光-近红外光谱、超光谱/多光谱成像、结构光照明）与嗅觉传感（电子鼻、光学阵列传感器、指示气体监测）以及补充的物理方式（软X射线、电学特性、声学）一起进行了分析。综述跟踪了从实验室验证到工业应用的技术演变，强调了机械机理理解、算法创新和多模态融合策略。主要发现和结论：三类技术群已出现：（1）通过关键波段选择和结构光照明实现工程收敛的视觉/光学；（2）提供症状前优势但需解决漂移和跨域迁移问题的嗅觉/气体传感；（3）提供互补内部证据的物理/结构方式。定量证据表明，感染相关的变化最早可在接种后24小时被识别，报告的分类性能通常超过90%。关键的缺口包括早期阶段的标准化注释、跨批次验证以及可解释的机制建模。未来的工业应用需要一个协调的"传感-算法-工艺"框架，从高光谱验证过渡到可部署的多光谱/结构光系统，并建立分层的"预警-定位-复核"架构，以实现坚固、可追溯的青霉菌预警系统。
