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 364 条结果
-
基于高光谱预处理、特征筛选和机器学习的不同面筋小麦品种分类
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xinghui Qi, Shaohua Zhang, Liyang Wang, Xuexu Hu, Haiyan Zhang, Wei Feng, Chenyang Wang, Tiancai Guo & Li He
食品标签
小麦 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 K-近邻 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱对不同面筋小麦品种进行分类能够满足多样化的食品需求。为了利用高光谱数据快速对面筋小麦类型进行分类，本研究采用了四种预处理方法，结合两种特征筛选方法和四种机器学习算法。研究结果表明，通过ReliefF提取的特征波长所构建的分类模型，其准确率优于全波长分类模型和最小冗余最大相关性（mRMR）分类模型。连续小波变换（CWT）的分类准确率高于原始反射率、连续去除和一阶导数的分类准确率。四种分类器的性能排序为支持向量机（SVM）＞卷积神经网络（CNN）＞随机森林（RF）＞K近邻（KNN）。ReliefF - CWT - SVM被确定为最优分类模型（总体准确率=94.5%）。所提出的组合方法为对不同面筋类型的小麦品种进行分类提供了理论和技术支持。
-
基于多元数据融合与优化算法的红枣综合品质分析与产地溯源研究
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Peng Chen, Xiaoli Wang, Rao Fu, Xiaoyan Xiao, Yu Li, Tulin Lu, Tao Wang, Qiaosheng Guo, Peina Zhou, Chenghao Fei
食品标签
果蔬干/果脯/蔬菜干 质构与流变性质 颜色与外观品质 特征风味 常规理化指标测定 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 分类/鉴别/等级评定 可见光/RGB/视频数据 质构/流变/感官数据 多模态/融合数据红枣是一种营养丰富的食物。其真实性受到了越来越多的关注。本研究利用计算机视觉、超快速气相电子鼻和气相色谱-质谱联用（GC-MS）技术，采集了来自中国新疆、甘肃、陕西、河南、山东和河北等多个地区的红枣样品。收集了包括光谱、质地和气味在内的多维度特征数据。通过采用多元统计方法，确定了46个特征因子（变量重要性投影值＞1，P＜0.05），并利用这些因子快速区分来自不同地区的红枣样品。还将多元统计分析与支持向量机（SVM）分类相结合，开发了一种新的人工智能算法。这种创新方法的准确率显著高于传统的判别分析方法，达到了100.0%的完美准确率。这项研究的成果使得能够开发出更多基于多维度数据来追溯食品原产地的智能算法。
-
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。
-
利用电子鼻具多变量分析对Allium tuberosum的定性和定量农药残留分析
查看原文
2025
Food Chemistry
中科院一区JCR一区
Fanzhen Meng, Jingwen Zhu, Jihong Deng, Tianqi Wu, Aocheng Qi, Wencheng Zhu & Hui Jiang
食品标签
新鲜蔬菜 化学污染物 其他理化与结构表征 其他特殊成分计算机标签
支持向量机 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 时序传感器/物联网数据随着Allium tuberosum农药残留问题日益严重，开发快速且稳健的检测方法以评估其农药残留浓度至关重要。本研究提出了一种结合电子鼻（E-nose）、颗粒群优化（PSA）算法和支持矢量机（SVM）的综合方法，用于胚胎块茎中农药残留的定性和定量检测。结果显示，SVM分类器能够有效区分正常样本和受污染样本，分类准确率达到100%。对于农药类型鉴定，SVM对氯吡萺、卡班达齐姆和前半阧酮的准确率达到100%。在定性分析中，氯吡萦和卡苯嗪的SVM准确率为100%，而脯铧酮的准确率为97.22%。定量结果表明，支持载体回归（SVR）在预测普罗西咪酮（Rp = 0.9130）和卡班达齐姆（Rp = 0.9572）方面表现优异。因此，E-nose可以作为监测蔬菜安全的有效工具。
-
滑动窗口增强的嗅觉可视化图像结合深度学习预测冷鲜羊肉TVB-N含量
查看原文
2025
Meat Science
中科院一区JCR一区
Shichang Wang, Yixin Zhang, Rongguang Zhu, Fukang Xing, Jiufu Yan, Lingfeng Meng & Xuedong Yao
食品标签
畜肉 其他品质相关性质 其他理化与结构表征计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 模型轻量化/边缘计算 定量预测/回归分析 可见光/RGB/视频数据本研究提出了一种新的嗅觉可视化图像数据增强方法，结合深度学习实现了冷鲜羊肉中总挥发性盐基氮含量的准确预测。具体来说，研究定义并使用了滑动窗口，通过对滑动位置信息进行编码和解码，从每个传感区域分别提取不同的感兴趣区域，从而对嗅觉可视化图像进行了增强。这种增强方法考虑了嗅觉可视化传感器阵列在制备和反应过程中敏感点的位置偏移和颜色呈现不均匀性。基于增强后的图像，建立了三种先进的深度学习模型（InceptionNetV3、ResNet50和MobileNetV3），并与基于手动提取颜色空间特征的三种传统机器学习模型（偏最小二乘回归、支持向量回归和随机森林）进行了比较。通过比较，InceptionNetV3、ResNet50和MobileNetV3深度学习模型具有更好的预测性能，其中MobileNetV3模型获得了最优的预测结果。最佳预测模型在测试集上的决定系数为0.97，均方根误差为2.42 mg/100 g，相对预测偏差为5.82。结果表明，嗅觉可视化传感器阵列与轻量级MobileNetV3模型的结合能够稳定、有效地预测冷鲜羊肉的TVB-N含量，在羊肉新鲜度的现场评估方面具有巨大潜力。
