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 236 条结果
-
基于可解释机器学习的库尔勒香梨脆度评价:高采样率下的仪器化力学-声学同步测定
查看原文2025
Current Research in Food Science
中科院一区JCR一区Xiaoming Mo, Jiaping Wang, Youfang Yu, He Li, Mingcan Zhai, Wancheng Dong, Zhihua Zha & Jie Wu
食品标签
新鲜水果 质构与流变性质 质构与流变测试 其他理化与结构表征计算机标签
梯度提升决策树 模型可解释性 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据脆度是果实质地评价的关键指标,它与果实的新鲜度和消费者偏好直接相关。在本研究中,一种新的仪器方法被应用于以51200 Hz的高采样率同步采集“易产生噪声”的库尔勒香梨在穿刺过程中的力学-声学信号。将力学-声学的锯齿状分析谱在数据层面进行融合,以模拟人类的感知行为。从融合信号中提取了3类共26个特征,用于建立4种机器学习模型。在这4种模型中,极端梯度提升(XGBoost)模型在脆度预测方面表现出了优越的性能。此外,还采用沙普利可加解释(SHAP)分析对XGBoost模型进行了解释。随后,选取了14个具有正向影响结果的特征来改进模型。该可解释模型的RP²值达到0.92,RMSEP为0.32,RPD为3.66,具有更高的准确性、稳定性和可靠性。因此,采用高采样率同步采集、数据层面融合策略以及正向特征选择能够显著提升梨的脆度预测性能。我们提出的方法可应用于其他果蔬的仪器化脆度测量。
-
深度学习驱动的可见/近红外光谱设备用于水果品质评估:综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Tao Jiang, Jianjun Ding, Yuhang Du, Shaofeng Yuan, Hang Yu & Weirong Yao
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据背景:可见光和近红外(Vis/NIR)光谱设备的日益普及,加速了其在水果品质评估中的广泛应用。然而,传统的机器学习方法在处理这些设备生成的复杂、非结构化数据时面临挑战,在复杂的应用场景中常常遇到泛化瓶颈。近年来,深度学习(DL)在光谱分析领域取得了显著进展,提高了水果品质评估的准确性,并为该领域的持续创新提供了广阔前景。
范围与方法:本文全面综述了基于深度学习的可见光/近红外光谱设备在水果品质评估中的应用。文中介绍了各种可见光/近红外光谱设备的关键组成部分、优缺点、应用场景,以及相关的深度学习算法和架构。此外,还总结了深度学习与光谱设备在水果品质评估中的融合情况,重点阐述了不同深度学习架构的贡献和局限性,并探讨了当前面临的挑战及未来的研究方向。
主要发现与结论:基于深度学习的可见光/近红外光谱设备在水果品质评估方面展现出巨大潜力。为了实现成本效益和准确性的最优化,设备的选择和深度学习架构的设计应根据特定的应用场景进行定制。尽管仍存在一些局限性,但持续的技术创新有望推动基于深度学习的可见光/近红外光谱系统在工业和商业领域的更广泛应用,从而在未来确保水果品质和真实性的提升。 -
基于可见/近红外光谱与多任务CNN的多个桃品种内部品质无损检测
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Youhua Bu, Jianing Luo, Qingji Tian, Jiabao Li, Mengke Cao, Shanghong Yang & Wenchuan Guo
食品标签
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据准确预测多个桃品种的硬度(FI)、可溶性固形物含量(SSC)和干物质含量(DMC)对提升市场价值至关重要。然而,传统机器学习方法需要为每个品质指标训练单独的模型,增加了模型复杂性。为解决这一问题,本研究提出了一种基于可见/近红外光谱的多任务卷积神经网络(MT-CNN)模型。对四个桃品种(‘北京8号’、‘白雪’、‘沙红’和‘锦春’)进行了品质指标(FI、SSC和DMC)与Vis/NIR光谱的测量,并开发了单任务(ST)和多任务模型。利用梯度加权类激活映射(Grad-CAM)识别了MT-CNN模型预测中贡献重要的光谱特征。结果表明,ST-CNN和MT-CNN模型均取得了良好性能。与ST-CNN模型相比,MT-CNN模型对四个桃品种的FI和DMC预测平均RMSEp分别降低了0.0256 N和0.0719%,而SSC的平均RMSEp仅增加了0.0192%。此外,基于四个桃品种建立的全局MT-CNN模型显示出显著改进,对FI、SSC和DMC的RMSEp分别为9.4648 N、0.5904%和0.7628%,R值分别为0.9496、0.9615和0.9522,且所有RPD值均超过3。总体而言,所提出的MT-CNN模型能有效预测桃的多种品质,并在不同品种间表现出强鲁棒性。
-
基于机器学习结合蒙特卡洛模拟的苹果泥流变建模:洞察光-粒子结构相互作用的基本过程
查看原文2025
Food Chemistry
中科院一区JCR一区Yucan Yang, Xiao Chen, Xiaochan Wang, Leiqing Pan & Weijie Lan
食品标签
新鲜水果 质构与流变性质计算机标签
支持向量机本研究以不同颗粒浓度、不同粒径的苹果泥为原料进行复配重构,探究其在900~650纳米波段对流变特性、光学特性及光交互作用的影响。不同颗粒浓度苹果泥的光散射特性差异相较于粒径差异更为显著。基于蒙特卡洛仿真(MCX)结果,漫反射能量占比峰值出现在1050纳米处,光吸收峰值则出现在1480纳米处。当颗粒浓度由25%升至45%时,苹果泥中所有光子的平均光传播距离在259.29毫米至199.17毫米之间变化。最后,融合1050纳米处光学散射特性与蒙特卡洛仿真参数构建支持向量机回归模型,可有效评价苹果泥的表观黏度参数(相对百分误差>2.39)以及黏弹性模量(相对百分误差>2.47)。该研究进一步完善了光与颗粒结构相互作用的基础机理认知,也为泥状食品的流变建模提供了全新研究思路。
-
通过归一化VNIR-SWIR透射高光谱成像和SPF-SSF-GSF-NLF融合方法改进荔枝果实中可溶性固形物和花青素的检测
查看原文2025
Food Chemistry
中科院一区JCR一区Teng Long, Kangning Wei, Binshan Huang, Jun Du, Run Kuang, Haitao Xu, Jing Zhao, Yubin Lan & Yongbing Long
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 花青素与类胡萝卜素计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱高光谱成像(HSI)对水果内部成分含量的检测精度受到几何结构以及成分含量与光谱特征之间非线性关系的影响。针对这些问题,分别开发了基于光谱归一化和光谱特征(SPF)-图像特征(SSF)-几何结构特征(GSF)-非线性特征(NLF)融合的方法。为此,采用可见近红外-短波红外透射高光谱成像结合偏最小二乘回归(PLSR)模型来检测荔枝果实中的可溶性固形物含量(SSC)和花青素含量(AC)。结果表明,光谱归一化结合SPF-SSF-GSF-NLF融合使PLSR模型对SSC和AC的Rp²分别提高了17.47%和11.85%,其值分别达到0.9148和0.8455。此外,基于预测的SSC和AC开发的荔枝分级方法具有95.17%的高分类准确率。这些结果表明,所提出的方法能有效提高荔枝果实品质的检测精度。