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
-
可解释人工智能与移动成像技术用于牛油果成熟度和内部品质的无损评估，以减少食物浪费
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
In-Hwan Lee, Zhengao Li & Luyao Ma
食品标签
新鲜水果 质构与流变性质 质构与流变测试 显微与成像技术计算机标签
支持向量机 随机森林 卷积神经网络 其他深度学习结构 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 质构/流变/感官数据 大规模数据集食物浪费是一项全球性挑战，其主要原因是对食品质量和剩余保质期的预测不准确。大约30%的食物浪费发生在零售和家庭层面，而传统的评估方法，如主观的视觉检查或破坏性的仪器分析，效率低下。在本研究中，我们将智能手机成像技术与深度学习相结合，用于无损预测牛油果的硬度和内部质量，旨在为更智能的消费和分配决策提供支持。牛油果因其较高的市场价值和较高的浪费率（约40%），被选为代表性的模型食品。在室温下为期8天的储存期内，使用智能手机收集了1400张牛油果图像的数据集。使用质构仪测量硬度，并将其作为成熟度指标和模型训练的真实值。为了预测成熟度，卷积神经网络残差回归（CNN ResNetR）模型实现了最高的准确率（R²=0.919），优于支持向量机回归（R²=0.818）和随机森林（R²=0.860）模型。根据行业标准，进一步将预测的硬度值映射为剩余保质期推荐。为了评估内部质量，我们开发了最先进的CNN和视觉Transformer模型，对牛油果的新鲜或腐烂状态进行分类，准确率超过84%。使用局部可解释的模型无关解释（LIME）技术获得了模型的可解释性，该技术识别了影响分类的关键图像特征。这种基于深度学习的框架提供了一种快速、可扩展且无损的解决方案，用于评估牛油果的成熟度和内部质量，有望减少食物浪费并改善供应链各环节的决策。
-
一种基于约束优化的新型无参数模型更新策略，用于在多种生物变异性下提升果实品质评估
查看原文
2025
Food Chemistry
中科院一区JCR一区
Penghui Liu, Yingjie Zheng, Hao Tian, Han Chang, Xuan Luo, Yibin Ying & Lijuan Xie
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
智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据更新校准对于缓解因样本或测量条件导致的预测性能下降至关重要。本研究提出了一种改进的半监督无参数校准增强（MSS-PFCE）方法，以改善跨多种生物变异性的果实品质评估。研究使用了六个涵盖不同季节、产地和品种的果实数据集，来检验MSS-PFCE的有效性。结果表明，MSS-PFCE显著降低了从属光谱的平均预测均方根误差（RMSEP），降幅分别至少达到50.63%、92.66%和76.47%。MSS-PFCE优于四种基准方法（SS-PFCE、全局模型、重新校准以及斜率/偏差校正（SBC），同时仅使用5%的从属样本就能实现模型更新。此外，在不同的样本比例和成本阈值下，该方法能使更新后的模型保持较强的可靠性和稳定的拟合度。本研究有望推动一种新型更新技术的应用，该技术具有高精度、低样本依赖性、拟合稳定性和强可扩展性等特点，可用于现场果实品质评估。
-
基于整体化化学计量学、多变量分析和人工神经网络的橄榄（Olea europaea L.）栽培品种果实品质、脂肪酸组成及生化性状建模
查看原文
2025
LWT
中科院一区JCR一区
Celil Toplu, Yazgan Tunç, Ali Khadivi, & Daya Shankar Mishra
食品标签
新鲜水果 植物油 品质、结构与理化性质 营养与生物功能 常规理化指标测定 传统统计分析与回归 脂质与脂肪酸 多酚与黄酮计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析橄榄（Olea europaea L.）油的质量受品种的生化成分、脂肪酸谱和果树学性状的复杂影响。鉴于消费者对功能性食品和促进健康的膳食脂肪的需求日益增加，使用多变量和化学计量学方法对这些性状进行综合评估显得尤为重要。传统分析方法常常难以揭示酚类化合物、脂肪酸组成与氧化稳定性之间的复杂相互作用。因此，多变量分析和基于人工神经网络（ANN）的建模等综合方法，为优化品种选择以符合营养价值和油品质提供了强有力的工具。在本研究中，对22种橄榄栽培品种在统一的农业生态条件下进行了评估，指标包括果实重量（2.15 - 6.55 克）、油含量（16.23 - 30.92 %）、总酚含量（125.00 - 284.83 毫克 CAE/公斤）及抗氧化活性。主要脂肪酸包括油酸（67.20 - 77.50 %）、棕榈酸（9.20 - 15.55 %）和亚油酸（7.20 - 13.50 %）。在不饱和脂肪酸/饱和脂肪酸比值（4.36 - 8.00）及过氧化值和游离脂肪酸含量等氧化稳定性指标上观察到显著的基因型差异。主成分分析显示，前两个主成分解释了总方差的60.68 %，主要受油酸、总酚含量和油含量的驱动。层次聚类分析（HCA）将品种分为四个主要簇，每个簇具有不同的成分特征，而相关矩阵分析（CMA）显示油酸与总酚含量之间存在强正相关（r = 0.88）。多元回归分析（MRA）进一步确定油酸和游离脂肪酸是总体油质的重要预测因子（p ≤ 0.01）。同时，基于10个输入特征的人工神经网络（ANN）模型在验证过程中实现了92.3%的预测准确率，R²为0.91，均方误差（MSE）为0.024。值得注意的是，'Savrani'、'Memecik'、'Memeli'、'Halhalı'和'Ayvalık'等品种表现出优越的特性，具有高油酸、高酚含量和良好的不饱和指数。化学计量学技术与基于人工神经网络（ANN）的建模结合，为阐明性状之间的相互关系和预测橄榄油质量提供了全面的框架。研究强调了关键生化标志物和成分性状，作为营养价值和抗氧化稳定性的可靠预测指标。优良品种的识别支持基于证据的高附加值橄榄油生产选择策略，提升健康效益。这些发现不仅有助于精准育种和功能性食品开发，也应对了公众日益关注的膳食脂肪质量问题。
-
基于高光谱成像与多模态深度学习的枸杞产地准确分类
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Bo Li, Rui Xia, Juanli Li, Jing Zhang, Zhixing Zhang, Jun Chen & Yu Chen
食品标签
新鲜水果 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
支持向量机 K-近邻 梯度提升决策树 主成分分析/判别分析 卷积神经网络 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据枸杞产地的精准鉴别对于评估其营养与药用价值至关重要。本文提出一种融合交叉注意力机制的多模态卷积神经网络（MTCNN），可有效融合光谱特征与图像特征，测试准确率达99.88%。研究同时将主成分分析（PCA）等传统特征提取方法与支持向量机（SVM）、k近邻（KNN）分类器相结合；其中，采用梯度提升决策树（GBDT）提取光谱特征并融合图像数据的SVM模型，最高准确率为96.68%。对比结果表明，多模态深度学习方法性能显著优于传统方法，在农产品可靠溯源、真伪鉴别与质量保障方面具有应用潜力。除更高的识别精度外，本模型通过简化注意力机制降低计算复杂度，并提升模型可解释性，相比现有结构更具优势，使其在实际应用中更为高效易用。
-
利用UHPLC-Q-TOF-MS对受“心腐病”影响的石榴品种中链格孢菌代谢物进行定性与相对丰度分析
查看原文
2025
Food Control
中科院一区JCR一区
Mario Riolo, Carlos Luz, Cristian Bua, Salvatore Barreca, Maria Catena Tambè, Jorge Calpe, Marco Masi, Alessio Cimmino, Gaetano Tirrò, Giuseppe Meca, David Ezra & Santa Olga Cacciola
食品标签
新鲜水果 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
主成分分析/判别分析 随机森林 分类/鉴别/等级评定利用UHPLC-Q-TOF-MS分析方法，对受“心腐病”影响的‘Acco’和‘Wonderful’石榴果实榨取的果汁中链格孢菌的次级代谢物进行了鉴定。对健康和感染果实的果汁进行了比较分析，特别关注霉菌毒素含量。共检测到22种代谢物，包括霉菌毒素细交链孢菌酮酸、交链孢酚、交链孢酚单甲醚和细交链孢菌烯酸。多元分析，包括主成分分析和随机森林模型，清晰地区分了健康和感染果实的代谢谱。有症状的果实，尤其是‘Wonderful’品种，表现出显著更高水平的霉菌毒素，如交链孢内酯A和交链孢毒素，表明这些代谢物是早期检测心腐病的潜在生物标志物。相反，它们的石榴酸（punica acid）水平显著降低，表明心腐病感染由于消耗了这种Omega-5脂肪酸的含量，对果汁的营养价值产生了负面影响。本研究为更好地理解链格孢菌感染对石榴汁品质的影响提供了见解，并为石榴汁中霉菌毒素水平的监管提供了新的证据。
