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
-
食品标签
畜肉 食品安全与风险评估 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 模型轻量化/边缘计算 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据 超大规模/工业级数据集肉类掺假影响消费者和市场。现有的肉类认证方法通常依赖特殊设备，因此仅限于专业使用。在一些中国火锅餐厅中，出现了用鸭肉和脂肪制成的假羊肉或牛肉片。本研究提出了一种消费者可操作的方法来检测此类掺假。该方法将单张图像作为输入，并利用肉片的纹理特征进行认证。该认证快速且无损。所需设备仅为一台带摄像头的手机。为此任务构建了一个轻量级（因此高效）的卷积神经网络架构，名为MTx-Net。使用了四个块中的十四个卷积层来提取有效的视觉特征。神经网络中采用了残差、深度可分离卷积、丢弃法和批归一化等技术。为了训练和测试神经网络，使用了225公斤肉类收集了77956张肉片图像。该方法对羊肉和牛肉片认证的准确率分别达到99.38%和98.20%。
-
近红外光谱结合A-CARS-PLS测定玉米蛋白质含量
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
Xiaohong Wu, Shupeng Zeng, Haijun Fu, Bin Wu, Haoxiang Zhou & Chunxia Dai
食品标签
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据为了快速、准确地测定玉米中的蛋白质含量，本文提出了一种新的特征波长选择算法——锚定竞争自适应重加权采样(A-CARS)。该方法首先利用蒙特卡洛协同区间偏最小二乘法(MC-siPLS)筛选出特征变量所在的子区间，然后使用竞争自适应重加权采样(CARS)对这些变量进行进一步筛选。将A-CARS-PLS与6种方法进行了比较，包括3种特征变量选择方法(GA-PLS、Random frog-PLS和CARS-PLS)和2种区间偏最小二乘法(siPLS和MWPLS)。结果表明，A-CARS-PLS方法显著优于其他方法：校正集的结果为RMSECV = 0.0336，R_c² = 0.9951；预测集的结果为RMSEP = 0.0688，R_p² = 0.9820。此外，A-CARS将原始的700维变量减少至23个变量。结果表明，A-CARS-PLS优于某些波长选择方法，在玉米蛋白质含量无损检测方面具有巨大的应用潜力。
-
利用整体光学特性和在线透射光谱评估猕猴桃的内部质量
查看原文
2022
Food Control
中科院一区JCR一区
Shijie Tian, Hao Tian, Qinyi Yang, & Huirong Xu
食品标签
新鲜水果 品质、结构与理化性质 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 定量预测/回归分析本研究旨在对比基于体光学特性（BOP）的检测模型与基于传统光谱技术的检测模型，在猕猴桃品质评价中的准确性与稳健性。实验选取 81 个猕猴桃作为样本，搭建单积分球系统以测定样本的体吸收系数（μ a）与约化散射系数（μ s′），同时利用自主研发的在线检测系统获取样本的透射光谱。研究分析了μ a与μ s′两项指标同可溶性固形物含量（SSC）及果肉硬度的相关性，并采用偏最小二乘回归法（PLSR）构建检测模型。此外，通过竞争性自适应重加权采样法（CARS）剔除原始光谱中对模型性能无提升作用的变量。结果表明：670 nm 波段下的μ a随可溶性固形物含量升高而降低；720~900 nm 及 950~1000 nm 波段下的μ s′随可溶性固形物含量升高而增大；μ s′光谱强度随果肉硬度下降而降低。研究分别基于μ a、μ s′、μ a+μ s′组合参数及透射光谱，构建了 CARS-PLSR 定量分析模型。对比发现，基于体光学特性的模型在预测猕猴桃内部品质时，准确性优于透射光谱模型。其中，基于μ s′的模型对可溶性固形物含量的预测效果最佳（预测决定系数R P2=0.97，预测均方根误差RMSEP=0.25%）；基于μ a+μ s′组合参数的模型对果肉硬度的预测表现最优（R P2 =0.97，RMSEP=0.02 N）。为验证模型的稳健性与适用性，研究选取 20 个种植果园及采收时间均异于实验样本的猕猴桃开展外部验证。结果显示，所有可溶性固形物含量预测模型及基于μ a+μ s′组合参数的果肉硬度预测模型均具备良好的稳健性与适用性；而基于透射光谱的果肉硬度预测模型，在对外部验证集样本进行预测时表现较差。本研究为基于体光学特性及透射光谱技术的猕猴桃硬度与可溶性固形物含量检测，提供了有效参考依据。
-
基于近红外光谱结合偏最小二乘回归和特征波长变量识别陈米掺假
查看原文
2022
Food Chemistry: X
中科院一区JCR一区
Zhanming Li, Jiahui Song, Yinxing Ma, Yue Yu, Xueming He, Yuanxin Guo, Jinxin Dou & Hao Dong
食品标签
大米 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 定量预测/回归分析 红外/拉曼光谱数据长期储存大米不可避免地导致食用品质下降，陈米掺假对食品安全和人体健康构成威胁。本研究采用近红外光谱技术结合偏最小二乘回归和竞争性自适应重加权采样，对三种大米（中国稻花香、南方粳稻和晚粳稻）中的陈米掺假进行识别。以酸值作为大米陈化的敏感指标，在加速陈化（37 °C，85%湿度）过程中进行测定，直至酸值达到25 mg KOH/100 g干重。将陈米与新鲜大米按不同比例（0–100%）混合制备掺假样品。收集近红外光谱（900–1700 nm），采用不同的预处理方法，并利用CARS选择特征波长变量以简化模型并提高预测精度。结果表明，经过归一化、MSC、SNV或平滑预处理的PLSR模型优于原始光谱模型，但精度仍中等。经过CARS变量选择后，优化后的模型显著提高了识别准确率。对于中国稻花香，MMN-CARS-PLSR模型的预测集决定系数（R²p）达到0.998，预测均方根误差（RMSEP）为0.0206；对于南方粳稻和晚粳稻，SNV-CARS-PLSR模型的R²p分别为0.994和0.996，RMSEP分别为0.0362和0.0311。所构建的CARS-PLSR模型有效减少了冗余变量，提高了陈米掺假的判别精度。本研究表明，近红外光谱结合CARS-PLSR是一种简单、快速、准确的陈米掺假检测方法，为商品大米的质量控制提供了新的选择。
-
使用便携式光谱和即时学习模型更新方法改进猪肉TVB-N预测
查看原文
2022
Meat Science
中科院一区JCR一区
Fan Zhang, Tonghai Kang, Jianfeng Sun, Jie Wang, Wen Zhao, Shuang Gao, Wenxiu Wang & Qianyun Ma
食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法计算机标签
支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据近红外光谱技术是预测猪肉中挥发性盐基氮含量的有效无损检测方法。然而，近红外模型缺乏稳健性，在新批次上使用时常常失效。为了解决这个问题并获得更好的预测性能，本研究提出了一种基于即时学习的模型更新方法。设计了一个综合考虑输入（光谱）和输出（TVB-N含量）信息的综合相似性准则。结合定义的相似因子，选择与新批次样品最相关的样本，并基于所选样本实时建立局部最小二乘支持向量机模型。结果表明，采用JITL方法更新的模型在新的独立批次上保持了较高的预测性能，预测误差从2.95 mg/100g降低到1.60 mg/100g。基于所选相似样本建立的稳健模型与JITL模型更新策略相结合，有助于使近红外光谱成为无损评估猪肉品质特征的首选方法。
