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 236 条结果
-
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。
-
基于反应面方法和深度神经网络优化桑葚花青素酶超声辅助提取，并分析体外抗氧化活性
查看原文
2025
Food Chemistry
中科院一区JCR一区
Chunzi Zhang, Wenhuan Ding, Asiya Mamattursun, Xiaoyan Ma, Shuwen Qi, Yukun Wu, Juan Zhang & Xiaoli Ma
食品标签
新鲜水果 其他生物活性与健康效应 过程优化与控制策略 多酚与黄酮计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析本研究以新疆本土“药用兼食”资源桑树为原料，并通过建立反应面模型（RSM）和深度神经网络模型（DNN）优化了酶超声辅助桑葚花青素提取过程。进行了单因子Box-Behnken实验，研究了果胶酶剂量、酶解时间、超声温度、超声波时间、溶剂浓度和固液比对总花青素（TAC）和氰苷-3-O葡萄糖苷（C3G）、氰苷-3-O提取速率的影响-芦黄苷（C3R）两种花青素化合物，以及综合评估指数作为参考，以获得最佳提取条件。结果表明，RSM和DNN模型都能准确预测，但通过比较确定系数（R）来实现2发现DNN模型（R）为2= 0.990 0）比RSM模型（R）具有更好的预测效果2 = 0.940 4），DNN模型的相对误差为0.85%，远低于RSM模型的4.50%。DNN模型的预测准确性优于RSM模型。这表明DNN模型能够准确反映实验结果，预测桑葚花青素的提取过程。最后，根据DNN模型确定了桑葚花青素组分的最佳提取工艺：固液比为50 mL/g，乙醇浓度63%，超声波温度40°C，果胶酶剂量为0.5%，桑树中总花青素含量可达3.16 mg/g。公共卫生部、美国公共技术学院（ABTS）和·OH的最大清粪率分别为80%、98%和54%，表明桑葚花青素具有显著的抗氧化能力。本研究结果为从桑葚中提取花青素成分提供了有效且可持续的工艺优化方案。
-
基于高光谱成像与深度学习的蓝莓检测
查看原文
2025
Food Research International
中科院一区JCR一区
Chengbiao Fu, Siyi Liu & Anhong Tian
食品标签
新鲜水果 过程监测与在线检测计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱具有不同糖含量的蓝莓具有不同的风味和市场价值。本研究利用分数阶微分和改进的拉普拉斯特征映射，对复杂场景下不同品种和成熟度蓝莓的高光谱数据进行预处理和波段选择。探讨了高光谱成像技术结合深度学习模型检测不同品种和成熟度蓝莓糖含量的能力，可实现不同蓝莓糖含量的快速检测，满足蓝莓大规模生产的要求。本文使用三个蓝莓品种F6、L11和L25，将蓝莓成熟度分为三类（成熟、半成熟和未成熟）。首先，使用MSC与FOD组合对蓝莓高光谱数据进行预处理，以增强不同蓝莓样本的光谱信息并突出细微特征。然后，使用基于距离函数和核函数的改进拉普拉斯特征映射来提取特征波段，使其能更好地适应FOD处理后的数据并高效选择特征波段。最后，构建定制的浅层卷积神经网络模型进行训练，并将该方法与其他传统的预处理、波段筛选和建模方法进行比较，以获得最优预测模型。结果表明，经过MSC和FOD处理后，1.10阶的CNN模型整体效果最佳（Rp^2 = 0.8597, RMSEP = 0.8552%, RPDP = 2.6694），该模型使用改进的拉普拉斯特征映射提取特征光谱，具有良好的鲁棒性和准确性。同时，这充分验证了FOD结合改进的拉普拉斯特征映射在处理复杂场景蓝莓高光谱数据中的有效性和适用性，且轻量级CNN模型的组合在简化模型结构的同时，能显著提高蓝莓糖含量预测的准确性和性能。上述结果表明，本研究提出的模型对于复杂场景下不同品种和成熟度蓝莓糖含量的检测具有很大的潜在应用价值，可为后续相关研究提供参考。
-
基于高光谱成像的桃子内部质量指标评估与定量迁移学习模型分析
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Guozheng Wang, Yiyun Wang, Dayang Liu, Mianqing Yang, Guoliang Chen & Jingyuan Dai
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
其他深度学习结构 主成分分析/判别分析 智能手机/其他 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集基于高光谱成像的迁移学习已广泛用于预测水果的内部质量指标，如可溶性固形物含量（SSC）、果肉硬度（FF）和水分含量（MC）。然而，现有研究主要集中于相同品种和相同质量指标之间的迁移，或不同品种之间相同质量指标的迁移，缺乏对不同质量指标之间迁移的深入探索。为解决这一问题，本文提出了一种迁移学习模型PCA-ELM-TrAdaBoost，该模型集成了主成分分析（PCA）、加权极限学习机（ELM）和TrAdaBoost算法。所提出的模型通过挖掘SSC、FF和MC之间的协同关系，优化了光谱数据的特征提取和信息表示能力，从而实现不同质量指标之间的有效知识迁移。实验结果表明，PCA-ELM-TrAdaBoost模型在多质量指标建模中显著提高了预测性能。与传统的单指标建模方法相比，该模型在处理不同质量指标之间的迁移时表现出更强的适应性和更高的预测精度。当使用目标域的100个样本进行建模时，桃子SSC、FF和MC的RPD分别超过2.4、1.6和2.5。尽管对FF指标的预测性能相对较弱，但整体模型在小样本条件下仍表现出良好的稳定性和可迁移性。该模型通过集成多源信息融合和迁移学习，为桃子内部质量指标的光谱预测提供了一个高效、稳健的解决方案，在多指标建模、跨域适应和小样本任务中表现出优越的性能。
-
基于可见光-近红外高光谱成像评估采后储存猕猴桃的成熟度
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Jeong-Eun Lee, Min-Jee Kim, Bo-Yeong Lee, Lee Jong Hwan, Ha-Eun Yang, Moon S. Kim, In Geun Hwang, Cheon Soon Jeong & Changyeun Mo
食品标签
新鲜水果 其他品质相关性质 显微与成像技术计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱猕猴桃在采后低温下长期储存后，由于采收条件的影响，在出库时可能表现出不同的内部品质。果肉硬度（FF）和可溶性固形物含量（SSC）是食用品质和成熟度的属性，它们在储存期间会发生变化。为了确保按时出库具有均一品质的猕猴桃，开发针对FF、SSC和成熟度的无损检测技术是必要的。本研究开发了利用可见光-近红外高光谱成像技术预测猕猴桃FF、SSC和成熟度阶段的模型。根据储存期研究了猕猴桃的FF和SSC，并基于这些特性定义了五个成熟度阶段。测量了储存0-120天的猕猴桃的Vis-NIR高光谱图像以提取高光谱光谱。开发了偏最小二乘回归和支持向量机回归预测模型来预测猕猴桃的FF和SSC，并开发了偏最小二乘判别分析和支持向量机分类模型来对成熟度阶段进行分类。经过二阶导数预处理的SVMR模型在FF预测中表现出最佳性能，其Rp2、预测均方根误差和RDP值分别为0.878、3.008 N和2.721。对于SSC预测，经过多元散射校正预处理的SVMR模型表现出最佳性能，其Rp2、预测均方根误差和RDP值分别为0.940、0.898 Brix和4.055。成熟度判定在采用最大归一化预处理的PLS-DA模型和采用范围归一化预处理的SVMC模型中分别达到了91.463%和91.548%的最高准确率。本研究结果表明，Vis-NIR高光谱成像可用于快速识别在低温（0°C）下储存的猕猴桃的内部品质和储存后成熟度阶段。此外，所开发的技术有望有助于确定猕猴桃在储存期间的最佳出库时间。
