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 122 条结果
-
用于颗粒食品近红外分析的简单散射描述符框架:以阿拉比卡咖啡品种分类为例
查看原文2026
Food Control
中科院一区JCR一区Krzysztof B. Beć, Justyna Grabska, Vanessa Moll, & Christian W. Huck
食品标签
茶/茶饮料 咖啡饮料 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 标准/法规/数据库分析计算机标签
支持向量机 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 合成/仿真数据为主表面散射是颗粒食品近红外分析中的主要混杂因素。在烘焙咖啡粉中,非均匀散射会掩盖品种差异。常规做法通过扩展散射校正或多元散射校正等基于参照的多项式投影消除散射,但在异质基质中该方法对阶次敏感,并可能去除与分析物相关的方差。本文改为显式编码散射信息,计算每条光谱的多项式斜率、曲率和三次基线系数,并将其作为描述符加入增强矩阵中训练模型。研究使用来自 25 个批次、覆盖 7 个阿拉比卡品种的 300 条漫反射 FT-NIR 光谱(10000-4000 cm-1)。该策略提高了测试集真实性鉴别效果:线性判别分析准确率由 70.8% 提高到 83.3%,线性支持向量机由 63.9% 提高到 84.7%,二次判别分析保持较高水平(88.9%)。该方法将散射视为信息而非盲目消除对象,提供了一种可解释、易实施的散射感知方案,也适用于可可、茶叶、香辛料等其他颗粒状和微结构食品。
-
食品标签
茶/茶饮料 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 传统统计分析与回归计算机标签
卷积神经网络 模型可解释性 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据同步识别年份和等级对于六堡茶真实性鉴别和市场监管至关重要。然而,现有六堡茶太赫兹时域光谱研究大多基于固定数据集,未解决当新年份样品出现后部署模型应如何更新的问题。本文提出一种基于 THz-TDS 的可解释多任务增量学习框架,用于年份和等级联合评估以及模型持续更新。共享骨干的多任务卷积神经网络在预处理光谱上经过 5 次运行获得 0.960 ± 0.016 的联合准确率,优于化学计量学基线和单任务卷积神经网络。在增量更新方面,经验回放结合知识蒸馏可在受限回放记忆预算下有效缓解灾难性遗忘。经过两次增量更新后,该策略在仅保留约 60% 历史训练样本的情况下,获得 0.912 ± 0.011 的调和平均准确率和 0.082 ± 0.015 的平均遗忘率,优于单独回放和静态微调。基于 SHAP 的模型解释进一步识别出 1.3-1.6 THz 为任务相关光谱区域,并对判别贡献显著。总体而言,该框架在单一 THz-TDS 工作流中整合联合预测、持续更新和可解释频段分析,为六堡茶真实性鉴别和质量监管提供了快速、无损且实用的方法。
-
基于对比学习的多模态注意力网络图像-光谱融合对红茶萎凋品质的智能评估
查看原文2026
Food Chemistry
中科院一区JCR一区Qin Ouyang, Huilin Chang, Dengshan Li, Zhenhao Xu, Yuanbin She, & Zhonghua Liu
食品标签
茶/茶饮料 过程监测与在线检测 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 碳水化合物与糖类计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据 红外/拉曼光谱数据萎凋是一个对红茶最终质量有重大影响的关键工艺。传统的评估方法依赖人工评价,往往带有主观性且耗时。为克服这一限制,我们提出了一种基于计算机视觉(CV)和近红外光谱(NIRs)的多模态评估方法,在红茶萎凋过程中整合了定性分类和定量预测。针对萎凋程度的分类,我们开发了一种多模态注意力融合网络,该网络结合了CV特征提取模块(金字塔CNN)、NIRs特征提取模块(增强注意力CNN和门控循环单元),以及采用对比学习的跨模态融合机制,实现了95.56%的准确率。为了进行定量评估,我们构建了一个结合压缩与激励增强的ResNet18模型,将可见光(CV)和近红外(NIRs)特征融合,用于预测水分和可溶性糖含量,测试集相关系数分别为0.9151和0.9023。这些创新为黑茶萎凋的智能评估提供了全面的策略。
-
基于表型特征的茶叶地理来源识别轻量级深度学习
查看原文2026
npj Science of Food
中科院一区JCR一区Guoquan Pei, Bing Zhou, Xueying Qian, Baijuan Wang, Wei Chen, & Wendou Wu
食品标签
茶/茶饮料 其他安全问题 显微与成像技术计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集准确识别茶叶的地理来源对于确保茶叶行业的质量保证和可追溯性至关重要。本研究介绍了Origin-Tea,一种新颖的轻量级卷积神经网络,它创新性地将深度可分离卷积与压缩-激励(SE)注意力机制相结合,有效捕捉微小的表型差异,同时最大限度地降低计算成本。与依赖大型架构或人工设计特征的先前方法不同,Origin-Tea专为农业应用中的高效性和可解释性而设计。全面的消融研究证实了每个架构组件对模型稳健性能的显著贡献。该数据集包含了900张高分辨率的云康10茶叶RGB图像,这些图像是从云南省七个不同地区独立收集的。采用了10折分层嵌套交叉验证(CV),每次迭代中,一折用于测试,一折用于验证,其余八折用于训练。数据增强技术,包括翻转、旋转和曝光调整,仅应用于训练集,以在不破坏固有表型特征的前提下增强模型的稳健性。Origin-Tea取得了平均整体准确率(OA)为0.92 ± 0.03,Kappa系数为0.90 ± 0.03,优于表现最佳的基线模型CoAtNet(OA = 0.89 ± 0.03)3.37%的准确率,同时模型参数减少了90%以上(1.7 M 对比 17 M)。此外,在对来自四个村庄的1788张扫描仪捕获图像进行的独立测试中,Origin-Tea表现出出色的泛化能力,总体准确率(OA)为0.97。这些结果突出了该模型作为可扩展、可现场部署的智能茶叶来源验证和精准表型分析解决方案的潜力。
-
茶叶品质的智能评估:机器学习辅助表面增强拉曼光谱用于白茶年份鉴定和等级分类
查看原文2026
Food Chemistry
中科院一区JCR一区Qian Ye, Xianjin Zhang, Yuanyuan Yao, Yueliang Wang, Lifen Chen, Bingyong Lin, Hong Huang, Jianguo Xu, Xin Peng, & Longhua Guo
食品标签
茶/茶饮料 品质、结构与理化性质 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 多酚与黄酮计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据传统的茶叶感官评估方法依赖于经验、视觉比色法和主观味觉感知,存在评价者间不可重现的差异性,且无法量化生物活性指标,因此无法建立科学可验证的质量标准。为了解决这一问题,我们开发了一个智能平台,将表面增强拉曼散射与机器学习结合,用于快速和定量的白茶分析,实现仅在20分钟内即可检测。利用银纳米珊瑚基底进行信号增强,并使用785 nm便携式拉曼光谱仪进行全光谱数据采集,我们构建了一个混合机器学习架构,其中随机森林用于年份分类(准确率96%),梯度提升回归器用于表没食子儿茶素没食子酸酯(EGCG)定量(R²=0.98,均方根误差、平均绝对误差和均方误差的值均接近零)。该方法建立了一个明确的EGCG含量分级体系:银针 > 牡丹 > 工美 > 寿眉,这与传统感官评价方法高度一致,同时提供了额外的定量能力。