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
-
食品标签
感官科学与消费者研究 其他方法计算机标签
大模型与 LLM 分类/鉴别/等级评定 文本/知识库/法规数据 中等规模数据集化学感知创造力,即利用味觉和嗅觉进行创新的能力,是人类创造力中一个关键但尚未得到充分研究的方面。本研究探讨了大型语言模型(LLM),特别是 GPT-4,在口味搭配情境下评估创造力的潜力。借助受替代用途任务启发的新型化学感知创造力测试,来自英国的 200 名参与者在四个食品类别中生成了口味搭配。随后,这些搭配由人类参与者和两个 GPT-4 配置(一种确定性(低随机性)模型,称为“严格 GPT”,另一种随机性较高的模型,称为“灵活 GPT”)进行评价,分别从创造力、美味度和惊喜度方面进行评分。研究结果表明,人类和灵活 GPT 对创造力的评分之间存在很强的相关性(r = 0.89),超过了严格 GPT 的相关性(r = 0.71)。人类和 GPT 模型都主要依赖于新颖性(以惊喜程度来衡量)而非功能性(以美味度来衡量)作为创造力的决定因素。然而,GPT 评分更强调新颖性,并且具有更高的变异性。虽然 GPT-4 在英国情境下在模拟人类评估方面展现出了强大的潜力,但还是出现了差异,特别是在那些罕见的口味搭配方面,人类评分和模型预测之间的一致性较差。这些发现表明,利用大型语言模型来通过模拟人类评价来自动进行食品相关领域的创意评估是可行的。
-
基于比色分析和机器学习预测模型对日本鲭(Scomber japonicus)进行无损新鲜度评估
查看原文2025
Food Chemistry
中科院一区JCR一区Du-Min Jo, Hyun-Soo Kang, Ye-Bin Jang, So-Yeon Noh, Min-Seok Kwon, Geon-Woo Park, Yeh-Chan Ahn & Young-Mog Kim
食品标签
鱼肉 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法计算机标签
支持向量机 定量预测/回归分析 可见光/RGB/视频数据新鲜度是海鲜品质的关键属性。然而,传统的评估方法既耗时又具有破坏性。本研究探索了一种无损检测方法,该方法通过对日本鲭(Scomber japonicus)的眼部、腹部和背部区域进行比色分析,并将这些变化与微生物和理化新鲜度指标相关联。在4°C和10°C的储存条件下,RGB、HSV和Lab色彩参数呈现出逐渐变暗的趋势,这与微生物数量、pH值和总挥发性盐基氮的增加相对应。研究还开发了多元线性回归(MLR)、偏最小二乘回归和支持向量回归(SVR)模型,用于基于色彩数据预测新鲜度。虽然MLR在线性指标(包括活菌计数和品质指数法)的预测方面表现良好,但SVR在非线性指标(包括pH值和总大肠菌群)的预测上更具优势。这些研究结果表明,将色彩分析与机器学习相结合有望实现海鲜新鲜度的实时、无损评估,这为其在工业质量控制系统中的应用提供了支持。
-
基于智能手机App、云端机器学习和视觉传感器阵列的功能性食品甘草物种、地理来源及质量标志物的免仪器检测
查看原文2025
Food Control
中科院一区JCR一区Yun Huang, Aifen Hu, Lixue Ren, WanJun Long, Wei Lan, Yi He, Yuanbin She, Hengye Chen & Haiyan Fu
食品标签
谷物/块根/豆与坚果类 品质、结构与理化性质 其他理化与结构表征计算机标签
分类/鉴别/等级评定 可见光/RGB/视频数据甘草是一种功能性食品,其品质因遗传和地理因素差异显著,常被不法商贩用以次充好。本研究开发了一种快速鉴定甘草的方法,使用六通道视觉阵列传感器来确定其物种、地理来源和主要质量标志物。该传感器检测由与金属离子和变色有机染料的竞争性配位作用引起的颜色变化。阵列传感器与随机森林算法结合,在鉴定甘草时达到了100%的准确率。此外,智能手机应用程序能在1分钟内实现甘草的快速智能鉴定。鉴定准确率为91.43%,两种质量标志物的预测误差小于13%。本研究为快速、可靠地评估甘草品质奠定了基础,有助于行业有效打击欺诈行为。
-
整合数字图像分析、闪蒸气相色谱电子鼻及SHAP驱动的可解释深度学习用于陈皮的无损陈化评估
查看原文2025
Food Chemistry: X
中科院一区JCR一区Yongheng Yan, Ruijie Xu, Zhiyu Zhao, Tingting Gao, Guangyi Shao, Xindi Lu, Chaozhi Wei & Xuezhen Zhao
食品标签
其他果蔬制品/植物类 颜色与外观品质 特征风味 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计算机标签
偏最小二乘法 随机森林 卷积神经网络 循环神经网络 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据 质构/流变/感官数据本研究提出了一种新颖的无损检测方法,通过整合数字图像和闪蒸气相色谱电子鼻(GC电子鼻)来评估陈皮(CRP)的陈化时间和品质。研究采用数字成像技术提取颜色特征和纹理特征,同时利用自主研发的一维卷积神经网络-门控循环单元(1D-CNN-GRU-注意力机制)深度学习模型,对陈化0至12年的陈皮样品实现了98.19%的优异分类准确率。沙普利可加解释(SHAP)分析通过识别影响分类的关键颜色和纹理属性,提高了模型的透明度。闪蒸气相色谱电子鼻识别出33种挥发性化合物,且套索(Lasso)模型和随机森林(RF)模型确定了7种与陈化相关的关键香气标志物。此外,偏最小二乘回归(PLSR)模型表明,图像特征与主要化学成分(总黄酮、酚酸和(+)-柠檬烯)之间存在强相关性。该方法克服了传统方法的局限性,为无损品质评估提供了一个可解释的框架。
-
基于X射线成像和深度学习分类器优化与比较的山茶籽和板栗内部缺陷无损分类
查看原文2025
Food Control
中科院一区JCR一区Menglong Ma, Haitao Fu, Yixiao Wang, Zelin Lu, Ziwei Wang, Jingjing Cheng, Xiaodan Liu, Huang Dai, Fuwei Pi & Jiahua Wang
食品标签
豆类与坚果(及籽类) 微生物安全 显微与成像技术计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集山茶籽和板栗是重要的坚果资源,但虫蛀、霉变和枯萎等内部缺陷带来了重大的食品安全风险和经济损失。本研究通过结合低能量X射线数字放射成像技术与深度学习模型,开发了一种对这些内部缺陷进行无损分类的方法。采用图像增强技术将数据集规模扩大了十倍,得到2040张山茶籽图像和2370张板栗图像,并将其划分为训练集、验证集和预测集。通过超参数搜索策略优化了三种深度学习架构(VGG16、ResNet18和DenseNet121),并基于灵敏度、特异性、准确率和曲线下面积比较了它们的性能。结果表明,DenseNet121在山茶籽分类上表现最佳,AUC达到0.9991;而ResNet18在板栗分类上最优,AUC为0.9234。这种X射线DR与深度学习相结合的方法,为坚果的工业级质量控制提供了一种可行、快速且无损的解决方案,克服了其他成像技术(如穿透深度和成本)的限制。