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 130 条结果
-
基于高光谱图像分析的泡菜发酵与质量特性化学计量学评估
查看原文
2024
Food Research International
中科院一区JCR一区
Ji-Young Choi, Minjung Lee, Minji Kim, Mi-Ai Lee, Sung Gi Min, Young Bae Chung, Ji-Hee Yang & Sung Hee Park
食品标签
蔬菜发酵制品 特征风味 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 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱泡菜是一种通过发酵蔬菜制成的韩国传统菜肴。发酵过程对于提升其在储藏期间的品质和风味至关重要。高光谱成像（HSI）和化学计量学方法，包括主成分分析（PCA）和二维相关光谱（2D-COS），结合偏最小二乘法（PLS）和支持向量回归（SVR），能够检测关键物理化学成分以及总可溶性固形物（TSS）、pH、可滴定酸度（TA）、盐度和乳酸菌（LAB）的变化。研究开发了多变量分析模型，利用全波段和特征波长以及预处理数据来预测质量特性。结果表明，使用全波段构建的PLS预测模型对TSS、盐度、pH、TA和LAB的预测残差比（RPD）值分别为1.57、2.33、2.79、2.91和2.73。基于PCA和2D-COS矩阵提取的特征波长（951、1020、1139、1174、1216、1321和1384 nm）建立的Savitzky-Golay一阶导数预处理SVR模型显示出最佳结果，并在预测pH（R2 = 0.9166， RPD = 3.281）和LAB数量（R2 = 0.8488， RPD = 2.466）方面提高了效率。此外，可视化过程准确描绘了不同时期泡菜各种质量指标的分布情况。这些结果表明，所提出的HSI策略成功地评估了泡菜的发酵程度。
-
基于机器学习算法和拉曼光谱的乳制品鉴别性特征分析
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Jia-Xin Li, Chun-Chun Qing, Xiu-Qian Wang, Mei-Jia Zhu, Bo-Ya Zhang & Zheng-Yong Zhang
食品标签
乳及乳制品 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
支持向量机 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据相似食品样本的判别分析是实现食品质量控制的重要方面。拉曼光谱与机器学习算法的有效结合，已成为开发智能判别技术的一种极具吸引力的方法。特征光谱分析有助于研究人员更深入地理解食品质量判别中的数据模式。本文以三个品牌乳制品的判别为例，基于支持向量机（SVM）、极限学习机（ELM）和卷积神经网络（CNN）算法，对拉曼光谱特征进行了研究。结果表明，不同机器学习算法对应的最优光谱特征区间存在一定差异。选择合适的光谱特征区间能够在保持较高识别准确率的同时，提高算法的计算效率。例如，SVM算法在890-980 cm⁻¹、1410-1500 cm⁻¹的融合光谱范围内识别准确率为100%，耗时约200秒；ELM算法在890-980 cm⁻¹、1410-1500 cm⁻¹的融合光谱范围内同样达到100%的识别准确率，耗时不到0.3秒；CNN算法在890-980 cm⁻¹、1050-1180 cm⁻¹、1410-1500 cm⁻¹的融合光谱范围内识别准确率为100%，耗时约80秒。此外，通过基于欧氏距离的光谱特征区间分布分析，直观地展示了基于特征光谱的实验样本分布情况。通过对相似样本的光谱特征分析过程，本文提供了一套分析策略，以深入揭示分类算法的数据基础，可为相关判别研究模式的分析提供参考。
-
皮肤高光谱成像与机器学习用于准确预测鱼类肌肉中的多不饱和脂肪酸含量
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Yi-Ming Cao, Yan Zhang, Qi Wang, Ran Zhao, Mingxi Hou, Shuang-Ting Yu, Kai-Kuo Wang, Ying-Jie Chen, Xiao-Qing Sun, Shijing Liu & Jiong-Tang Li
食品标签
鱼肉 营养与生物功能 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
支持向量机 随机森林 智能手机/其他 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据多不饱和脂肪酸（PUFAs），尤其是二十碳五烯酸（EPA）和二十二碳六烯酸（DHA），是决定鱼类营养品质的关键因素。为了快速、无损地测定活鱼肌肉中的多不饱和脂肪酸，迫切需要一种准确的技术。本研究结合皮肤高光谱成像（HSI）和机器学习（ML）方法，对鲤鱼肌肉中的多不饱和脂肪酸含量进行了评估。在400–1000 nm光谱范围内采集了活鱼皮肤的高光谱图像。分别采用Savitzky–Golay（SG）、多元散射校正（MSC）和标准正态变量（SNV）方法对光谱数据进行预处理。应用竞争性自适应重加权采样（CARS）方法提取最佳波长。利用鱼类皮肤光谱，采用极限学习机（ELM）、随机森林（RF）、径向基函数（RBF）、反向传播（BP）和最小二乘支持向量机（LS-SVM）五种机器学习方法，对多不饱和脂肪酸及EPA + DHA含量进行预测。在经SG处理的光谱数据中，RBF模型在预测EPA + DHA和多不饱和脂肪酸含量方面表现优异，决定系数（R²P）分别为0.9914和0.9914，均方根误差（RMSE）分别为0.3352和0.3346，平均绝对误差（MAE）分别为0.2659和0.2660。最后，最优模型下的可视化分布图有助于直接测定鱼片的多不饱和脂肪酸和EPA + DHA含量。将皮肤高光谱成像与最优机器学习方法相结合，有望快速筛选出肌肉中多不饱和脂肪酸含量高的活鱼。
-
在决策层使用多元素融合信息监测红茶发酵过程中的主要滋味成分
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
Ting An, Zhel Wang, Guanglin Li, Shuxiang Fan, Wenqian Huang, Dandan Duan, Chunjiang Zhao, Xi Tian & Chunwang Dong
食品标签
茶/茶饮料 品质、结构与理化性质 过程监测与在线检测 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 多酚与黄酮 咖啡因计算机标签
智能手机/其他 特征工程与选择策略 定量预测/回归分析 过程控制与实时优化 高光谱/多光谱光谱 时序传感器/物联网数据 多模态/融合数据迄今为止，由于样本信息片面和模型性能不佳，红茶发酵质量的智能检测仍然是一个引人深思的问题。本研究提出了一种利用高光谱成像技术和电特性预测主要化学成分（包括总儿茶素、可溶性糖和咖啡因）的新方法。利用多元素融合信息建立定量预测模型。使用多元素融合信息的模型性能优于使用单一信息的模型。随后，采用融合数据结合特征选择算法的堆叠组合模型来评价红茶发酵质量。我们提出的策略比经典的线性和非线性算法获得了更好的性能，总儿茶素、可溶性糖和咖啡因的预测集相关系数(R)分别为0.9978、0.9973和0.9560。结果表明，我们提出的策略可以有效评价红茶发酵质量。
-
基于多频微波介电特性与SPA-PLSDA算法的谷物霉变快速识别方法
查看原文
2023
Food Control
中科院一区JCR一区
Jinyang Zhang, Ji Qian, Susanna Pirttikangas, Shouhua Zhang, Jun Wang, & Zhenbo Wei
食品标签
大米 微生物安全 光谱/色谱/质谱等分析方法计算机标签
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/拉曼光谱数据为实现粮食霉变发生情况的原位监测、保障食品安全，本研究以稻谷为研究对象，基于微波介电特性开展稻谷霉变判别研究。研究采用多频扫测技术，采集了健康稻谷样品及不同霉变含量稻谷样品在2.00~10.00 GHz 频段的介电常数（DC）与介电损耗因子（DLF）光谱数据。为筛选最优特征频率，本研究通过连续投影算法结合偏最小二乘判别分析的耦合算法，生成 20 个频率子集（介电常数子集 1~10、介电损耗因子子集 1~10）；随后采用穷举法，从两类频率子集的 100 组两两组合中筛选出 4 个关键特征频率。研究以关键频率下的介电特性参数及样品厚度为输入变量，构建稻谷霉变判别模型。结果显示，所建微波介电特性模型对健康与霉变稻谷样品的判别准确率达100%，具备理想的判别有效性。此外，针对霉菌污染程度较低（霉菌污染量≤30%）的样品，模型误判率仅为 4.4%，整体判别准确率高达 97.29%。本研究结果可为食品加工及农业相关领域开展介电特性法霉变检测研究提供参考与借鉴。
