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
-
基于高光谱成像的富硒开菲尔谷物总硒及有机硒快速无损定量检测方法
查看原文2025
Food Control
中科院一区JCR一区Menghui Li, Jinyi Yang, Xing Guo, Rui Sun, Gechao Zhang, Wenhui Liu, Yuanye Liu, Zhouli Wang, Yahong Yuan & Tianli Yue
食品标签
其他谷物与块根 基本营养价值评价 光谱/色谱/质谱等分析方法 碘/硒等微量元素计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据快速监测富硒开菲尔谷物中的总硒和有机硒含量对开发富硒食品至关重要。首先,使用便携式高光谱系统获取富硒开菲尔谷物的光谱。其次,基于竞争性自适应重加权采样(CARS)、自助软收缩、遗传算法和粒子群优化筛选特征变量。然后,比较了极端随机树、偏最小二乘(PLS)和最小二乘支持向量机模型的定量预测性能。对于总硒含量的预测,CARS-PLS表现最佳,预测集相关系数和相对预测偏差值分别为 0.97 和 3.88。对于有机硒,CARS-PLS的预测集相关系数和RPD值分别为 0.94 和 2.97。CARS-PLS实现了在1分钟内对总硒和有机硒含量的快速预测。这为筛选富硒微生物和快速检测硒含量提供了新思路。
-
一种用于大豆籽粒粗脂肪含量原位测量的无损快速方法
查看原文2025
Food Chemistry
中科院一区JCR一区Yutong Sui, Xiaoyu Zhao, Jiangcheng Ding, Shengyang Sun, Yuchen Tang, Wendi Ma & Yue Zhao
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据 多模态/融合数据样品异质性影响了大豆粗脂肪含量(CFC)近红外(NIR)检测的准确性,传统上这需要进行破坏性研磨。现有方法缺乏实时无损的替代方案。我们假设,通过增强的机器学习框架进行拉曼-近红外融合,能够实现精确、无损的粗脂肪含量定量分析。我们开发了一种整合近红外和拉曼光谱的增强型广度学习系统(EBLS)。该增强型广度学习系统达到了与破坏性方法相当的准确性(RSQ > 0.92),优于现有的籽粒级检测技术,并且与单独使用近红外相比,减少了水分干扰。统计验证证实,其结果与国家标准无显著差异(95%置信度)。这种多模态光谱融合模式可用于大豆交易过程中的实时粗脂肪含量分析以及自适应工业参数优化,满足了无需预处理的测量需求。
-
基于深度学习的多品种马铃薯淀粉含量在线检测与评估算法
查看原文2025
Food Control
中科院一区JCR一区Yi Wang, Yingchao Xu, Xiangyou Wang, Hailong Wang, Haipeng Liu & Shuwei Liu
食品标签
马铃薯 其他品质相关性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据马铃薯是生产具有大颗粒和高粘度特性的高品质淀粉的主要来源之一,被广泛用作工业生产的合适原料。为了实现马铃薯淀粉的在线检测,本研究通过整合近红外光谱、波长选择算法、迁移学习以及卷积神经网络-双向长短期记忆网络深度学习,开发了一个预测模型。结果表明,深度学习方法获得了最优的模型预测性能。具体而言,CNN算法用于增强和提取NIR光谱的特征,而BiLSTM算法则在950-1700 nm的光谱范围内有效预测了淀粉含量。预测值通过非线性回归分析与实验测得的淀粉值显示出很强的相关性,证实了模型稳健的验证性能。在最佳组合条件下(传输速度为0.5 m/s,积分时间为99 ms,光源距离为364 mm),马铃薯淀粉含量的预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.945和0.725%。基于NIR的在线检测方法简单、高效,具有广阔的应用前景。该方法可用于马铃薯淀粉含量的实时在线检测,并能进一步满足工业发展的需求。
-
利用可见近红外全透射高光谱成像和光谱视觉编码测定橙子的SSC:非均匀混合物散射问题的实用解决方案
查看原文2025
Food Chemistry
中科院一区JCR一区Letian Cai, Jiangbo Li, Hailiang Zhang, Yizhi Zhang, Junyi Zhang & Hangyuan Liao
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 碳水化合物与糖类计算机标签
支持向量机 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据可溶性固形物含量(SSC)是评价柑橘品质的重要指标。研究采用全透射式高光谱成像技术采集柑橘整体信息,将原始可见-近红外高光谱数据编码为格拉姆角场图像,并通过方向梯度直方图算子提取图像特征。经优化后的格拉姆角场-方向梯度直方图-支持向量回归模型取得了良好的预测精度,预测集相关系数为0.927,均方根误差为0.445。本研究表明,所提方法能够有效克服柑橘内部复杂组织结构对可溶性固形物含量预测的不利影响,为柑橘品质精准、稳定的无损检测评价提供了一种新方法。
-
人工智能增强的可持续食品油炸:全面综述
查看原文2025
Food Research International
中科院一区JCR一区Xuan Wang, Min Zhang, Chung Lim Law & Luming Rui
食品标签
传统热加工 食品安全与风险评估 过程控制与数字化 脂质与脂肪酸计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 可见光/RGB/视频数据油炸是一种重要的食品加工方法,油炸食品因其独特的色泽、风味和质构在日常饮食中也扮演着重要角色。然而,由于食品油炸过程在持续高温条件下进行,不可避免地会产生某些有害物质。此外,煎炸油的反复使用进一步加剧了这一情况。同时,油炸食品的高油脂含量也是消费者关注的问题。人工智能与传统分析技术的结合为有效控制上述问题提供了创新解决方案。本文回顾了过去十年来不同研究者的关键研究成果,重点介绍了人工智能在油炸食品的工艺优化、过程控制和品质保障中的应用。特别是机器学习、人工神经网络和计算机视觉系统在监测煎炸油劣变和预测有害物质形成方面发挥了重要作用。在食品油炸领域,人工智能的引入既带来了优势也带来了挑战。人工智能凭借其强大的自学习能力,展现出高效率、高精度、多目标优化和强可持续性等优势。同时,人工智能正处于快速发展阶段,在食品油炸应用中也面临着数据困境、投资压力大、监管困境等挑战,仍有相当大的提升潜力。展望未来,随着人工智能技术的不断进步以及与物联网、区块链等支撑技术的融合,可以实现油炸食品的个性化定制、智能化生产、全链条监管与追溯。在人工智能技术的支持下,食品油炸行业将向智能化和可持续方向发展。