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 2456 条结果
-
利用可见光/近红外高光谱成像开发枇杷可溶性固形物总量和可滴定酸含量的无损检测方法
查看原文2025
LWT
中科院一区JCR一区Xiyu Wu, Kehan Wu, Dan Xu, & Dan Ren
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱枇杷果的风味和市场价值受到其可溶性固形物(TSS)和可滴定酸(TA)含量的显著影响。本研究采用高光谱成像(HSI)技术检测枇杷果的TSS和TA含量,旨在评估这种无损技术在果实采后质量评估中的可行性。共分析了118个枇杷样品,从高光谱图像的感兴趣区域提取光谱数据。使用蒙特卡罗(MC)算法去除异常值,并通过竞争自适应加权抽样算法(CARS)选择特征波长。随后,系统评估并比较了两种偏最小二乘回归(PLSR)模型--非线性迭代偏最小二乘(NIPALS)和简单偏最小二乘(SIMPLS)的预测性能。对于TSS含量,SIMPLS模型优于NIPALS模型,在使用独立预测集验证时,达到决定系数(R²p)为0.8955,预测均方根误差(RMSEP)为0.4200,以及预测与偏差比(RPD)为3.14。对于TA含量,NIPALS模型表现更好,得到R²p为0.7841,RMSEP为0.0397,以及RPD为2.19。因此得出结论,结合PLSR的HSI技术有潜力用于枇杷果实关键采后质量指标--TSS和TA含量--的无损分析。
-
计算机视觉、物联网和数字孪生在食品质量与安全评估中的创新融合
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Mengshuai Guo, Xin Lv, Dan Wang, Hong Chen & Fang Wei
食品标签
食品安全与风险评估 过程控制与数字化 统计建模与仿真计算机标签
深度学习 模型设计/优化策略 迁移学习/领域自适应 模型轻量化/边缘计算 分类/鉴别/等级评定 缺陷/异物检测与定位 设计/生成与推荐 模拟与数字孪生 可见光/RGB/视频数据 时序传感器/物联网数据背景:确保食品质量与安全是公共卫生和经济稳定的关键优先事项。传统的食品质量评估方法虽然有效,但通常劳动密集、具有破坏性或缺乏可追溯性和透明度。深度学习和计算机视觉的最新进展引入了数字化、智能化、经济高效且自动化的解决方案。
范围与方法:本综述介绍了深度学习和计算机视觉的典型工作流程,从数据采集和预处理到模型选择、训练和验证评估,并总结了深度学习和计算机视觉在食品不同领域的应用,如图像分类、目标检测、图像分割和图像生成,以及针对不同任务的模型优化策略。重点阐述了物联网、数字孪生、计算机视觉和深度学习技术在食品工业中的应用。此外,本综述还讨论了迁移学习和模型压缩方法,并回顾了轻量级模型和嵌入式系统在食品工业中的应用。
主要发现与结论:计算机视觉、深度学习、物联网和数字孪生等技术的创新融合,增强了食品的可追溯性和透明度,并促进了可持续发展。云计算和大数据技术的进步推动了这些技术的深度融合,使得食品生产能够实现实时、准确和动态的决策。展望未来,研究的重点应放在提高标注数据集的可用性和质量,增强模型的可解释性和鲁棒性上。 -
采用衰减全反射傅里叶变换红外光谱法和化学计量学快速、无溶剂测定长心卡帕藻中的卡帕卡拉胶和iota卡拉胶
查看原文2025
Food Chemistry
中科院一区JCR一区Qiuhong Zhang, Min Li, Chuanhao Dou, Xiangliang Yan, Bing Wang, Huimin Zhang, Yongqiang Lin & Dantong Zhao
食品标签
微藻及藻类产品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据确定κ-卡拉胶和ι-卡拉胶的组成对于优化其在食品应用中的功能至关重要。异枝麒麟菜是卡拉胶的主要来源,被广泛用作胶凝剂、增稠剂和稳定剂。然而,传统的卡拉胶分析需要耗时的提取和化学处理,限制了质量控制的效率。本研究提出了一种快速、无溶剂的方法,用于定量不同形式的原始大型藻类中卡拉胶的总产率及其κ-和ι-组成。研究采用衰减全反射-傅里叶变换红外(ATR-FTIR)光谱结合偏最小二乘(PLS)回归,建立了卡拉胶测定的预测模型。该模型在600–1100 cm⁻¹光谱范围内,校正、交叉验证和预测系数(R²)均超过0.9,具有较高的准确性。通过实际样品验证,证实了该模型的可靠性,使其成为卡拉胶质量评估和工业应用的合适工具。
-
机器学习辅助傅里叶变换红外光谱预测芫荽粉中的掺假情况
查看原文2025
Food Chemistry
中科院一区JCR一区Rishabh Goyal, Poonam Singha & Sushil Kumar Singh
食品标签
香精香料 食品安全与风险评估 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 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据芫荽是一种广泛使用的香料,因其风味、香气和营养价值在各种菜肴和食品中受到重视。然而,掺假,如加入锯末,对食品安全和正宗性构成重大风险。本研究旨在通过提供机器学习辅助傅叶红外光谱学的详细方法,预测芫荽粉中锯末掺假的解决方案。它采用多种基础模型,包括线性回归(LR)、决策树(DT)、支持向量回归(SVR)和人工神经网络(ANN),用于摻假检测。观察到原始数据集和Savitzky–Golay平滑数据集(预处理后生成的数据集)通过实现R获得了更好的结果2验证集的值分别超过0.92和0.96。结果显示,摻假检测中观察到的变异性中超过92%由优化后的人工星神经网络模型解释,这得益于掺假程度与光谱特征之间复杂的非线性关系。这些发现凸显了机器学习辅助FTIR光谱在准确预测芫荽粉锯末掺假方面的潜力。这为通过量化掺假水平提升食品鉴定实践提供了有前景的前景。研究还提供了利用机器学习辅助傅里红外光谱(FTIR)定量食品中不同类型掺假物的指导和方法,从而提升食品安全。
-
霉心病苹果的光学特性及基于模拟的透射模式光谱检测优化
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Guantian Wang, Jinghui Luo, Yande Liu, Aiguo Ouyang, Jie Chen & Bojin Yang
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 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱对水果内部病害(如苹果霉心病)的光学测量,对于理解光在病变组织中的传播规律以及优化光谱检测方法(尤其是透射模式下的检测方法)以提高信号准确性至关重要。在本研究中,我们测量了苹果霉心病组织(包括果皮、健康果肉和霉变果肉)的光学特性,即吸收系数(μₐ)和约化散射系数(μₛ')。在所有观测的组织中,果皮在所有测量波长下都具有最高的吸收和散射水平。与健康果肉相比,受真菌侵染的霉变果肉吸收增强,散射减弱。随后,我们基于苹果组织的估算光学特性,利用基于体素的蒙特卡洛(MC)模拟,研究了苹果霉心病中的光传播规律并优化了光谱检测。随着光源-探测器角度的增大,光子逐渐穿透霉变果肉。在135°至150°之间,霉变果肉对信号的贡献最大,且信号强度保持较高水平。为了进一步验证模拟结果,我们利用120°至180°角度的透射光谱数据,开发了苹果霉心病的支持向量机(SVM)判别模型。实验表明,该模型在光源-探测器角度为150°时判别效果最佳,准确率达到90.46%,召回率为99.71%,精确率为84.23%。因此,本研究为了解内部病变水果的光学特性提供了宝贵见解,加深了我们对光与组织相互作用的理解,并为开发更有效的此类水果无损检测方法奠定了科学基础。