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
-
结合高光谱成像与集成学习快速无损检测小麦品种及混合比例
查看原文
2023
Food Control
中科院一区JCR一区
Xinna Jiang, Youhua Bu, Lipeng Han, Jianping Tian, Xinjun Hu, Xiaobing Zhang, Dan Huang, & Huibo Luo
食品标签
小麦 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱小麦是酿造中国白酒的主要原料，其品种差异与配比不同会直接影响白酒的品质与风味。本研究将高光谱成像技术（HSI）与集成学习模型相结合，开展小麦品种的分类鉴别及配比的定量检测研究。研究分别提取了每粒小麦籽粒的光谱信息、纹理特征与形态特征；采用基于密度的噪声应用空间聚类算法（DBSCAN） 剔除异常数据，并通过萨维茨基 - 戈雷卷积平滑结合多元散射校正（SG-MSC） 方法对小麦样品的光谱数据进行预处理。随后，利用竞争性自适应重加权采样算法（CARS） 筛选特征波长，并对比了以特征光谱数据、图像特征及融合数据作为输入时，BP-Adaboost 集成模型的分类效果。验证集的识别结果与可视化分析表明，特征光谱数据与形态特征相融合的建模方案分类效果最优，平均分类准确率达 92.29%，配比预测的最大偏差范围为 5%。即便增加小麦的分类类别，该方法仍能取得优良的检测效果。综上，本研究证实，将高光谱成像技术获取的多维度融合数据与集成学习模型相结合，可有效实现小麦品种的分类鉴别与配比检测，具备实际应用的可行性。
-
高光谱成像在碎牛肉掺假检测中的多变量优化：旨在开发预测掺假碎牛肉及用于数字分选的通用算法
查看原文
2023
Food Control
中科院一区JCR一区
Eva M. Achata, Magdi A.A. Mousa, Adel D. Al-Qurashi, Omer H.M. Ibrahim, Kamal A.M. Abo-Elyousr, Ahmed M.K. Abdel Aal, & Mohammed Kamruzzaman
食品标签
畜肉 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
偏最小二乘法 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱牛肉糜（Minced Beef Meat, MBM）因其兼具营养价值与风味而具有较高的经济价值，因此易成为经济利益驱动型掺假的目标。为保障牛肉糜的真实性与安全性，亟需建立高通量的掺假检测方法。本研究评估了400~1000 nm 波段高光谱成像技术（Hyperspectral Imaging, HSI） 结合多元分析方法的可行性，旨在构建可检测牛肉糜中其他肉类掺假的通用模型。研究采用偏最小二乘回归法（Partial Least Squares Regression, PLSR）、集成蒙特卡洛变量筛选法（Ensemble Monte Carlo Variable Selection Method, EMCVS），并结合多种光谱预处理方法及其两两组合方案，对所扫描样品中的牛肉糜含量进行预测建模。模型的校正集数据来源于掺有鸡肉糜和火鸡肉糜的牛肉糜样品，验证集数据则采用掺有猪肉糜的牛肉糜样品；掺假比例设置为 0~51%，梯度间隔约为 3%。结果表明：经不对称最小二乘法（Asymmetric Least Squares, AsLs）结合标准正态变量变换（Standard Normal Variate, SNV） 预处理的反射光谱，通过 EMCVS 筛选出 23 个特征波长后，所建立的牛肉糜预测模型性能最优 —— 预测决定系数（R p2）达 0.96，预测均方根误差（RMSEP）为 2.9%，残差预测值（RPD）达 5.4。为验证模型通用性，研究进一步制备了掺有羊肉糜和鸭肉糜的牛肉糜独立验证集样品，掺假比例为 3%~21%。全波段模型预测效果良好（R p2=0.94，RMSEP=3.92%，RPD p=3.83）；而基于筛选出的 9 个最优特征波长（484、508、593、596、602、736、739、924 和 960 nm）所建立的模型，预测性能更为优异（Rp2=0.95，RMSEP=2.78%，RPD p=5.29）。此外，本研究采用偏最小二乘判别分析法（PLS Discriminant Analysis, PLS-DA），结合 EMCVS 变量筛选与光谱预处理技术，构建牛肉糜与其他掺假肉类的判别模型。基于筛选出的 12 个特征波段，该模型在校正集、交叉验证集及预测集均实现了近乎完美的判别效果。综上，本研究建立了一种基于特征波段筛选的高通量、通用型肉糜掺假定量检测与定性判别方法。该方法可为研发低成本便携式牛肉糜掺假分选传感器提供技术支撑，同时证实了构建牛肉糜掺假通用检测模型的可行性。
-
基于高光谱技术的牦牛肉氧化过程中新鲜度指标的非破坏性预测
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
Kai Dong, Yufang Guan, Qia Wang, Yonghui Huang, Fengping An, Qibing Zeng, Zhang Luo & Qun Huang
食品标签
畜肉 其他品质相关性质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
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/回归分析本研究探讨了高光谱技术在牦牛肉氧化过程中快速检测其新鲜度特征指标的潜力。通过显著性分析确定挥发性盐基氮值作为牦牛肉新鲜度的特征指标。利用高光谱技术采集了牦牛肉样品（400-1000 nm）的反射光谱信息。采用5种方法对原始光谱信息进行处理，然后使用主成分回归、支持向量机回归和偏最小二乘回归建立回归模型。结果表明，基于全波长的PCR、SVR和PLSR模型在预测TVB-N含量方面表现出较好的性能。为了提高模型的计算效率，通过连续投影算法和竞争性自适应重加权采样分别从128个波长中筛选出9个和11个特征波长。其中，CARS-PLSR模型表现出优异的预测能力和模型稳定性。
-
基于监督机器学习的电子鼻快速分析肉丝来源以实现食品鉴定
查看原文
2023
npj Science of Food
中科院一区JCR一区
Linda Ardita Putri, Iman Rahman, Mayumi Puspita, Shidiq Nur Hidayat, Agus Budi Dharmawan, Aditya Rianjanu, Sunu Wibirama, Roto Roto, Kuwat Triyana & Hutomo Suryo Wasisto
食品标签
其他肉与水产品 特征风味 食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
随机森林 K-近邻 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 时序传感器/物联网数据肉丝来源的鉴定对消费者至关重要，因为存在与含猪肉食品相关的过敏疾病风险或宗教观点。在此，我们开发并评估了一种紧凑便携的电子鼻（e-nose），包含气体传感器阵列和监督机器学习，采用窗口时间切片方法来嗅闻和分类不同的肉丝产品。我们评估了四种不同的监督学习方法进行数据分类（即线性判别分析（LDA）、二次判别分析（QDA）、k-近邻（k-NN）和随机森林（RF））。其中，配备五窗口提取特征的LDA模型在区分牛肉、鸡肉和猪肉肉丝时，验证和测试数据的准确率均高于99%。所获得的电子鼻结果与傅里叶变换红外光谱（FTIR）和气相色谱-质谱联用（GC-MS）测量的光谱数据相关并得到确认。我们发现牛肉和鸡肉具有相似的化合物组（即烃类和醇类）。同时，醛类化合物（如十二醛和9-十八烯醛）在猪肉产品中占主导地位。基于性能评估，开发的电子鼻系统在食品真实性测试中显示出有希望的结果，为普遍检测欺诈和食品欺诈尝试铺平了道路。
-
基于高光谱成像技术的紫鹃茶鲜叶花青素含量检测
查看原文
2023
Food Control
中科院一区JCR一区
Fushuang Dai, Jiang Shi, Chongshan Yang, Yang Li, Yan Zhao, Zhongyuan Liu, Ting An, Xiaoli Li, Peng Yan, & Chunwang Dong
食品标签
茶/茶饮料 其他品质相关性质 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 支持向量机 K-近邻 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱花青素是决定紫娟茶鲜叶色泽及感官品质的特征性物质。依靠人工视觉定性判定紫娟茶鲜叶中的花青素含量，易导致成品茶品质参差不齐。本研究采集了紫娟茶鲜叶在400~956 nm 波段的高光谱图像，分别采用 K 近邻算法（KNN）与支持向量机（SVM）模型开展鲜叶嫩度等级判别，并在主成分分析的基础上，构建偏最小二乘回归（PLSR）与支持向量机回归（SVR）模型进行定量预测。结果表明，SVM 模型的嫩度等级判别准确率优于 90%；变量组合种群分析（VCPA）及结合迭代信息变量保留法的变量组合种群分析（VCPA-IRIV）两种算法可有效简化模型结构，且模型预测决定系数均高于 0.92。针对总花青素、矢车菊素 - 3,5-O - 二葡萄糖苷、矢车菊素 - 3-O - 葡萄糖苷及矮牵牛素四类指标的最优预测模型分别为VCPA+SVR、VCPA-IRIV+SVR、VCPA-IRIV+PLSR 及 VCPA+PLSR，对应的残差预测值（RPD）分别为 3.233、2.868、3.529 和 3.298。研究通过可视化不同嫩度样品中花青素的空间分布特征，实现了总花青素含量的直观呈现。综上，本研究建立了一种快速无损的检测方法，可同步实现紫娟茶鲜叶嫩度等级划分与品质成分定量分析，为该特色色泽茶树品种的鲜叶采摘质量管控提供技术支撑。
