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 364 条结果
-
将UDT与XGBoost相结合，通过近红外光谱识别黑豆的地理来源
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Zhihang Cao, Xiaohong Wu, Bin Wu, Zexi Zhang & Jun Sun
食品标签
豆类与坚果（及籽类） 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 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 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集本研究旨在利用便携式近红外（NIR）光谱仪快速、无损地鉴别黑豆（Phaseolus vulgaris）的地理来源，以解决因不同地区黑豆品质存在显著差异而难以区分的问题。研究共从中国五个地区收集了400份黑豆样本。为提高分类准确率，提出了一种将不相关判别变换（UDT）与极端梯度提升（XGBoost）相结合的新模型，用于特征提取和分类。在使用k近邻（KNN）、朴素贝叶斯（NB）和支持向量机（SVM）分类器进行评估时，UDT的准确率分别为96.25%、93.75%和96.25%，优于福利-萨蒙变换（FST）和判别主成分分析（DPCA）。UDT+XGBoost组合模型取得了100%的最高分类准确率。为进行稳健验证，对UDT+XGBoost模型采用了5折交叉验证策略，平均准确率达到96.00%。本研究为黑豆的产地溯源和真实性鉴别提供了一种可靠的方法。
-
利用深度转移学习和可见近红外高光谱成像，在不同硅环境下无损检测油菜籽叶中的镉含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xin Zhou, Yang Liu, Chunjiang Zhao, Jun Sun, Lei Shi & Surli Cong
食品标签
新鲜蔬菜 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
支持向量机 深度学习 迁移学习/领域自适应 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据本文提出了一种转移栈去噪自编码器（T-SDAE）算法，用于实现油菜籽叶片镉（Cd）预测深度特征模型在不同硅环境中的迁移。使用堆叠去噪自编码器（SDAE）算法降低维度，并迁移了最有效的SDAE深度学习网络以创建T-SDAE模型。结果表明，使用SDAE提取深度特征的SVR模型在无硅、低硅和高硅环境中对镉含量的预测效果最佳。此外，预测集的确定系数（R）p2分别为0.9127、0.9829和0.9606。具体来说，Rp2 不同硅环境下的T-SDAE-SVR最优预测值为0.9273，RMSEP（平均偏差）为0.01465 mg/kg，RPD为3.237。通过将高光谱成像技术与深度转移学习算法结合，在不同硅环境下，能够准确检测油菜籽叶片中的各种镉含量。
-
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。
-
使用表面增强拉曼光谱结合深度学习模型对花生油中黄曲霉毒素B1进行快速无标记检测
查看原文
2025
LWT
中科院一区JCR一区
Dingding Wang, Tanvir Ahmad, Shaimaa A. Khalid, Ahmed S. Abo Dena, & Yang Liu
食品标签
植物油 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 循环神经网络 支持向量机 随机森林 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据本研究提出了一种用于快速、无标记且高灵敏度检测花生油中黄曲霉毒素B1（AFB1）的新方法，该方法结合了表面增强拉曼光谱（SERS）和深度学习模型。合成了银包覆金纳米颗粒（Au@Ag NPs）作为SERS基底。采用共焦拉曼光谱仪获取加标AFB1的花生油样品的拉曼光谱。随后，对收集到的SERS光谱数据进行了增强和预处理，以提高回归模型的泛化能力。共开发了六种回归模型，包括偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林回归（RFR）、卷积神经网络（CNN）、长短期记忆网络（LSTM）以及结合CNN-LSTM的模型。结果显示，CNN-LSTM 模型能够有效捕捉复杂的非线性关系，减少对参数调整的依赖，并最小化过拟合。它还能够有效处理大规模数据集，降低计算负担。CNN-LSTM 模型在预测性能方面表现出色，决定系数 (R² P) = 0.9892，预测均方根误差 (RMSEP) = 0.2104，性能偏差比 (RPD) = 6.8723，同时灵敏度极佳 (LOD = 0.31 μg/kg)。这些结果表明，该方法能够在花生油中实现快速、无标记、高效的 AFB 1 检测，并具有显著的实时监测应用潜力。
