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
-
人工智能应用于蜂蜜 13C NMR 数据:蜂蜜识别的新路径
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Ariana Raluca Hategan, Francois Guyon, Laetitia Gaillard, & Dana Alina Magdas
食品标签
蜂蜜等天然糖 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
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据除基于公认分析方法的食品真实性控制外,当前研究也在持续开发新方法,以明确区分不同食品商品。围绕这一目标,人工智能正被用于建立稳健识别模型,尤其适合学习实验数据中超出人工判断能力的细微差异并给出最终判别。本研究提出将 AI 与 13C NMR 光谱结合,建立蜂蜜地理来源和植物来源判别模型。为验证该方法适用性,研究使用了来自罗马尼亚和法国的 100 多个蜂蜜样品。由于 13C NMR 会产生大量变量,研究通过将输入数据空间限制在最相关特征上来构建可靠分类工具。结果表明,该策略可建立高效的蜂蜜地理来源和植物来源区分模型,交叉验证准确率超过 97%。该研究为蜂蜜真实性识别提供了结合 AI 和核磁共振数据的新路径。
-
ATR-FTIR光谱结合代谢组学分析不同干燥温度下白牛肝菌的呈味成分
查看原文2025
Food Chemistry: X
中科院一区JCR一区Guangmei Deng, Honggao Liu, Jieqing Li & Yuanzhong Wang
食品标签
食用菌菇 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸计算机标签
偏最小二乘法 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据 质构/流变/感官数据白牛肝菌具有独特的风味特征,其品质与代谢物相关。本文采用超高效液相色谱-串联质谱(UPLC-MS/MS)对不同干燥温度下白牛肝菌的游离氨基酸和有机酸进行表征。利用衰减全反射傅里叶变换红外(ATR-FTIR)光谱对不同处理的白牛肝菌进行鉴别并预测化合物。代谢组包括72种氨基酸和64种有机酸,其中分析了11种重要风味成分随干燥温度的变化。残差卷积神经网络(ResNet)模型对不同处理的白牛肝菌的识别准确率达到100%。偏最小二乘回归(PLSR)模型能准确预测11种化合物的含量,最优决定系数(R²)为0.975,最佳残差预测偏差(RPD)为4.404。ATR-FTIR光谱结合代谢组学可作为评估白牛肝菌风味增强物质的良好工具。
-
基于Bop-Cu纳米酶结合机器学习的多信号传感器阵列用于食用油中四种合成抗氧化剂的简易区分检测
查看原文2025
Food Research International
中科院一区JCR一区Xinyue Zhang, Linxue Zhen, Zhichun Bi, Peize Jin, Yu Ma, Yongxin Li & Hui Huang
食品标签
油脂及油脂制品 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
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据本文合成了一种具有多酶活性的荧光纳米酶Bop-Cu。在四种合成抗氧化剂(没食子酸丙酯、叔丁基对苯二酚、丁基羟基茴香醚和丁基羟基甲苯)存在下,Bop-Cu在其两种催化活性和荧光特性上表现出差异响应。因此,我们构建了一个多信号传感器阵列,并利用随机森林等算法,实现了对食用油中四种合成抗氧化剂99.4%的识别和区分准确率,且不受浓度影响。在0.1–30 μg/mL浓度范围内,结合随机森林回归算法,实现了单一合成抗氧化剂的定量检测。此外,在实际样品检测中,人工神经网络算法成功实现了对食用油中混合抗氧化剂的同步定量评估,为食用油中合成抗氧化剂的现场区分测定提供了一种新方法,对改善抗氧化剂滥用监管具有重要意义。
-
利用低成本多通道光谱传感器结合机器学习快速识别咖啡种类与产地
查看原文2025
Food Research International
中科院一区JCR一区Diang Sagita, Slamet Widodo, Sutrisno Suro Mardjan, Pradeka Brilyan Purwandoko, Suparlan, Hari Hariadi & Sandi Darniadi
食品标签
咖啡饮料 品质、结构与理化性质 统计建模与仿真 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 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据咖啡种类与产地的快速识别对于确保咖啡行业的质量控制与真实性至关重要。本研究探索使用低成本多通道光谱传感器AS7265X(410–940 nm)结合机器学习技术,以实现快速、无损的咖啡种类与产地准确分类。光谱数据通过三种LED配置收集:原始的18个光谱波段,以及通过配置LED发射器将数据扩展为24和30个光谱特征的两种附加配置。咖啡样本包括两个种类(阿拉比卡和罗布斯塔),源自印度尼西亚四个不同产地:弗洛雷斯阿拉比卡(AF)、迦约阿拉比卡(AG)、丹比特罗布斯塔(RD)和淡满光罗布斯塔(RT)。研究采用了四种机器学习算法,即线性判别分析(LDA)、人工神经网络(ANN)、随机森林(RF)和支持向量机(SVM),并通过交叉验证技术进行超参数调优。此外,对每个咖啡豆样本随机进行了理化分析,并采用主成分分析(PCA)作为数据的探索性分析。研究结果表明,使用LDA算法在24和30个光谱特征下,咖啡种类识别达到了100%的完美准确率。对于咖啡产地识别,使用24个原始光谱特征的LDA算法获得了0.917的最高验证准确率。此外,研究应用了多种数据预处理方法并评估了它们对分类性能的影响,但所有预处理均未对分类性能带来任何提升。结果强调了AS7265X传感器结合LDA在可靠、快速咖啡种类识别方面的有效性。此外,该方法为咖啡产地识别提供了一种有前景、高性价比的解决方案,有助于增强咖啡行业的质量控制流程。
-
无机和有机成分分析:一种区分不同产地葡萄酒的数据融合策略
查看原文2025
Food Control
中科院一区JCR一区Yingyue Su, Zhaoxiang Wang, Qianqian Liu, Yuyu Li, Cui Zhang, Xiaohui Feng, Ang Zhang & Chunlong Yuan
食品标签
酒精饮料 品质、结构与理化性质 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 分类/鉴别/等级评定 中等规模数据集由于涉及葡萄酒产地的欺诈活动普遍存在,葡萄酒的真实性是全球市场的一个重大问题。本研究分析了来自五个不同产区的102个葡萄酒样品的无机和有机成分谱。采用低层级和中层级数据融合策略,结合多元分析方法,处理了来自电感耦合等离子体质谱、同位素比值质谱和超高效液相色谱-离子淌度四极杆飞行时间质谱的三个质谱数据集,以确定葡萄酒产地的正确分类。筛选出五个产区间存在显著差异的有机和无机化合物进行低层级和中层级数据融合。在低层级数据融合中,基于正离子模式的偏最小二乘判别分析取得了74.4%的最佳预测率。通过从低层级融合数据中提取特征进行中层级数据融合,建立了线性和非线性模型,获得了98.7%的最佳准确率。中层级数据融合的多元分析策略显著提高了识别葡萄酒地理来源的准确性,并为鉴别其他食品的来源提供了一种新方法。