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
-
基于机器学习的典型中国绿茶味道分类与预测研究
查看原文2025
Food Research International
中科院一区JCR一区Yingbin Zhang, Xuwei Chen, Dingding Chen, Li Zhu, Guoqing Wang & Zhongxiu Chen
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸 多酚与黄酮计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 多模态/融合数据中国绿茶的味道非常多样化。本研究结合无监督和有监督学习方法,构建了用于分类和预测典型中国绿茶味道的模型。基于定量描述分析(QDA)结果评估了三种聚类方法,并选择分层K均值方法将88种茶汤分为七种不同的味道类型。应用电子舌传感器、近红外光谱和代谢组学,结合关键化学成分分析,构建了多个数据集作为模型数据。比较了四种多元统计方法和六种人工智能算法在三个数据集上的性能。数据集3(包含化学成分、味道活性值(Tav)及其比值)获得了最高的准确度。随机森林(RF)模型在预测中取得了最高的准确度(0.98)和Kappa值(0.97)。结果表明,关键的化学成分、Tav及其相互关系对绿茶味道分类更为重要。本研究能从消费者角度更准确地表征和预测典型中国茶的味道特征。在不同味道类别之间观察到感官属性和化学组成的显著差异,其中MU类型显示出最低的TavTC(儿茶素总Tav)/ TavTAA(氨基酸总Tav)比值,表明其鲜味和甜味特征最强。本研究结果为开发个性化茶产品提供了潜力,从而有助于提升消费者体验。
-
基于多模态集成学习的冬虫夏草食品溯源分析与质量标志物监测
查看原文2025
Food Chemistry
中科院一区JCR一区Mengqi Zhang, Wangmao Caiji, Ping Hai, Wei Zhang, Lian Li, Lei Nie & Hengchang Zang
食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
智能手机/其他 超参优化/自动机器学习 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据冬虫夏草(OS)面临着严重的食品欺诈风险,包括质量虚假陈述、掺假和非法添加剂等问题。为了维护消费者的经济利益和食品贸易的透明管理,本研究提出了一种快速且无损的检测工具,用于识别冬虫夏草生长环境的溯源信息并预测其质量标志物。研究分别利用颜色、纹理和光谱构建了单模态模型。此外,还采用贝叶斯优化来自动寻找最佳超参数。同时,开发了一种多模态集成学习框架,并与单模态模型进行了对比评估。结果表明,所提出的系统性能有所提升:在溯源方面,准确率提高了10.34%;在多糖和核苷的预测模型中,相对预测偏差(RPD)分别提高了9.88%和3.49%。该系统有望成为一种“光谱眼”技术,用于冬虫夏草食品溯源的无损预测和质量标志物监测。
-
机器学习增强的试纸条颜色识别用于果蔬中农药残留的快速检测
查看原文2025
Food Control
中科院一区JCR一区Jingbo Dai, Xiaobin Chen, Yao Zhang, Min Zhang, Yunyuan Dong, Qifu Zheng, Jianming Liao & Ying Zhao
食品标签
水果/蔬菜与菌菇类/植物类 化学污染物计算机标签
深度学习 定量预测/回归分析 可见光/RGB/视频数据食品安全,尤其是农药残留带来的风险,已成为一个关键的公共卫生问题。现有检测方法通常速度慢、成本高且需要复杂设备,限制了其广泛应用。本研究介绍了一种用于农药残留的快速试纸条检测系统,重点针对胆碱酯酶和有机磷农药。该系统将比色反应与机器视觉相结合,实现图像分析的自动化。采用包括降噪和阈值提取在内的关键图像处理技术来分析试纸条的RGB值。然后推导出多色特征指数来处理数据。此外,开发了一种改进的遗传编程-符号回归(GP-SR)模型,以建立这些指数与农药残留水平之间的关系。实验结果表明,增强后的GP-SR模型在归一化后使R2值最多提高0.195,决定系数提高2.5%,RMSE降低16%。这种方法为检测水果和蔬菜中的农药残留提供了一种更高效、更准确的方法,有助于改善食品安全监控。
-
利用高光谱成像对荔枝和芒果果实质量进行快速评估
查看原文2025
LWT
中科院一区JCR一区Naila Kanwal, Wiebke Kämper, Michael B. Farrar, Mahshid Tootoonchy, Clayton Lynch, Joel Nichols, Helen M. Wallace, Stephen J. Trueman, & Shahla Hosseini Bai
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 定量预测/回归分析 高光谱/多光谱光谱快速的水果质量评估对于确保稳定的生产和供应质量非常重要。本研究探索了高光谱成像(HSI)作为一种方法,通过两种荔枝和两种芒果品种的果皮或果肉图像预测可溶性固形物(°Brix)、酸度和矿物营养元素浓度。使用每个品种开发了偏最小二乘回归(PLSR)模型。随后将两个品种的光谱数据合并,并将这些模型与使用单个品种开发的模型进行了比较。还开发了人工神经网络(ANN)和支持向量机回归(SVMR)模型,用于预测可溶性固形物(°Brix)、酸度及Brix/酸度比值。果皮和果肉图像均可用于开发PLSR模型,以预测荔枝和芒果果肉的可溶性固形物及Ca、Cu、Fe和Mn浓度,R²范围为0.50至0.89。汇总品种数据集在开发预测荔枝果肉可溶性固形物(Brix)的PLSR模型,以及预测芒果果肉的Brix、酸度和Brix/酸度比率的PLSR模型中非常有用,其R² ≥ 0.60。使用ANN来估算荔枝果肉的Brix和酸度可以提高预测准确性,而在估算芒果果肉的Brix、酸度和Brix/酸度比率时,同时使用ANN和SVMR能够提高预测准确性。结果表明,果皮图像可以用于无损评估,HSI即使在混合品种批次中也能预测水果品质。先进的机器学习技术进一步提高了预测能力。HSI为预测荔枝和芒果果肉品质提供了一种快速方法,有助于及时安排收获,并能将水果分级为品质一致的批次。
-
智能手机辅助比色生物传感器,用于快速视觉检测食品样品中的天然抗氧化剂
查看原文2025
Food Chemistry
中科院一区JCR一区Jun Tang, Zhenyu Gao, Longfei Xu, Qianqian Zhao, Tianfeng Hu, Yongfeng Luo, Jinkang Dou, Yuanjuan Bai, Liaoyuan Xia & Kun Du
食品标签
品质、结构与理化性质 抗氧化/抗炎等功能 多酚与黄酮计算机标签
智能手机/其他 定量预测/回归分析 时序传感器/物联网数据定量监测表没食子儿茶素没食子酸酯(EGCG)和半胱氨酸(Cys)的浓度,对促进人体健康具有重要意义。本研究采用共沉淀法在室温下快速制备了铁/铝双金属金属有机框架材料MIL-53(Fe, Al),并以3,3',5,5'-四甲基联苯胺(TMB)为显色底物,探究了MIL-53(Fe, Al)的类过氧化物酶(POD-like)活性。结果表明,以TMB和过氧化氢为底物时,其米氏常数分别为0.167毫摩尔每升和0.108毫摩尔每升。研究构建了可检测表没食子儿茶素没食子酸酯和半胱氨酸的比色传感平台,并结合智能手机实现了样品的分析与定量检测。表没食子儿茶素没食子酸酯的线性检测范围为15~80微摩尔每升(决定系数R²=0.994),半胱氨酸的线性检测范围为7~95微摩尔每升(决定系数R²=0.998);二者的检出限分别为0.719微摩尔每升和0.363微摩尔每升。该研究为儿茶素与氨基酸的实时检测分析提供了一种新型且经济高效的方法。