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
-
基于深度学习的食品品质属性回归:利用近红外光谱和高光谱成像的综述
查看原文2025
Food Chemistry
中科院一区JCR一区Yuxin Xiao, Lei Zhou, Yiying Zhao, Hengnian Qi, Yuanyuan Pu & Chu Zhang
食品标签
品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
深度学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据近红外(NIR)光谱技术和高光谱成像(HSI)是食品质量与安全检测中两种常用的非破坏性工具。在食品质量属性定量分析方面,关键在于构建回归模型,以关联特征(光谱特征、空间特征及其融合特征)与质量属性。除了传统的机器学习方法,基于深度学习的回归方法已被证明是一种极具潜力且具有优势的质量属性定量分析方法。本文综述了近年来深度学习算法在近红外光谱技术和高光谱成像用于食品质量属性定量分析中的最新进展。文中简要介绍了深度学习回归算法,并将其与传统的回归数据分析方法进行了比较。此外,还重点阐述了有助于充分发挥深度学习优势的策略,同时讨论了面临的挑战及未来展望。本综述旨在让人全面了解深度学习在食品质量属性定量分析中的应用。
-
使用便携式红外技术对加工番茄果实的多种品质性状进行现场监测
查看原文2025
LWT
中科院一区JCR一区Shreya Madhav Nuguri, & Luis Rodriguez-Saona
食品标签
新鲜蔬菜 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常规理化指标测定 碳水化合物与糖类计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据在农业过程的各个阶段应用高通量表型技术,并结合遗传策略,可以促进作物改良。在本研究中,使用便携式红外(IR)光谱仪对加工番茄品种的多项重要品质性状进行了田间测定。从2021到2023季收获的番茄果实被切成两半;一半用于测定原汁的可溶性固形物(brix)、pH值和预测酱浆Bostwick值(PPB),另一半用于制备热打破汁(煮汁),以测定brix、果汁Bostwick值(JB)、离心番茄酱上清液的运动粘度(KVost)以及煮熟样品的PPB。每个番茄汁样品在田间使用操作于衰减全反射(ATR)模式的便携式IR系统采集了重复光谱。回归模型是使用偏最小二乘回归(PLSR)和正交偏最小二乘回归(OPLSR)开发的。OPLSR模型显示出更好的校准性能,尽管在使用独立数据集验证时,其预测性能与PLSR模型相当。PLSR模型的预测相关系数超过0.77,预测的标准误差较低(RMSEP = 0.04到0.70)。此外,生成的回归算法被集成到便携式红外系统中,用于现场预测所需变量。在采样后立即分析样品并在现场生成校准模型,使预测模型可靠且稳健。在现场实施便携式和高通量的表型性状监测,可以同时测定多种质量性状,相比于需要实验室设施、技术工人且昂贵且耗时的传统分析技术,这种方法能够以较低的消耗品使用,实现成本效益高且快速的决策。
-
食品标签
其他焙烤与糖果制品 品质、结构与理化性质 质构与流变性质 显微与成像技术计算机标签
机器学习/统计学习 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 高光谱/多光谱光谱本研究采用了高光谱成像与人工智能相结合的方法,以识别糖替代品(阿洛酮糖和凯斯糖)并预测用这些替代品配制的饼干的质量特性。当将甜味剂的高光谱数据应用于四种机器学习模型时,与溶液和饼干面团相比,甜味剂以粉末形式及在饼干中的分类性能有所提升。尤其是随机梯度下降模型在样品形式不同的情况下都表现出显著的性能。此外,混淆矩阵显示出对蔗糖/凯斯糖和果糖/阿洛酮糖的分类倾向,因为它们具有相对相似的分子结构,这表明高光谱分析在识别复杂食品基质中糖类结构差异方面具有潜力。为了预测用糖替代品配制的饼干的质量特性(扩展因子和硬度),将甜味剂溶液的高光谱数据输入到多层感知器模型中,并在九种单独及组合的超参数条件下评估其性能。结果表明,在三层隐藏层和使用Sigmoid激活函数的条件下,模型性能达到优化。值得注意的是,该模型表现出卓越的预测性能,对于扩展因子和硬度,其准确率均超过0.93。
-
基于激光诱导击穿光谱和化学计量学的抹茶汤等级掺假快速识别
查看原文2025
Food Control
中科院一区JCR一区Ningning Luo, Jinpeng Liu, Jiahao Zhu, Ming Lin, Zijian Cai, Xuming Jiang, Jiang Zhong & Jiyu Peng
食品标签
茶/茶饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
深度学习 分类/鉴别/等级评定本研究采用激光诱导击穿光谱(LIBS)和化学计量学方法相结合,快速识别抹茶汤中的掺假行为。研究重点分析了水分含量对LIBS光谱和烧蚀图像的影响,并利用LIBS光谱与烧蚀图像的组合建立了定量模型。结果表明,光谱波段选择和烧蚀图像中的信息有助于掺假判定。通过将MobileNet架构与支持向量机回归(SVR)模型相结合,在掺假定量方面取得了最佳结果,相关系数R为0.9058,均方根误差(RMSE)为12.40%。该研究强调了精确的光谱波段选择和利用烧蚀图像来增强LIBS检测食品掺假的准确性,展示了LIBS在确保食品质量和安全方面的潜力。
-
基于GASF和梅尔频谱图特征的多传感器融合,使用增强型EfficientNet-B0模型进行葡萄酒鉴别
查看原文2025
Food Chemistry
中科院一区JCR一区Meng He, Jianfei Xing, Meng Wang, Hui Yu, Shi Yu, Xiuying Tang & Bin Zhang
食品标签
酒精饮料 其他理化与结构表征 其他特殊成分计算机标签
智能手机/其他 分类/鉴别/等级评定 多模态/融合数据本研究提出了一种新颖的多传感器融合策略,用于区分采用相同酿造工艺、由八种不同原料酿造的葡萄酒。研究通过广谱电子鼻和贵金属电极采集香气和味觉信号,形成嗅觉和味觉指纹。为了增强特征表示,利用格拉姆角和场(GASF)及梅尔频谱图算法,将一维时间序列传感器数据转换为二维RGB图像,同时保留时间和频谱信息。随后,将这些图像特征输入到Enhanced-EfficientNet-B0深度学习模型中,验证准确率达到92.17%。结果表明,多传感器数据与先进的信号转换及深度学习相结合,能够实现对葡萄酒原料的准确且高效分类。