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 291 条结果
-
原位自清洗PAN/Cu2O@Ag/Au@Ag柔性SERS传感器结合化学计量学，用于定量检测苹果上的thiram残留
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yuxia Zheng, Limei Yin, Heera Jayan, Shuiquan Jiang, Hesharn R. El-Seedi, Xiaobo Zou & Zhiming Guo
食品标签
新鲜水果 化学污染物 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据柔性表面增强拉曼散射（SERS）传感器为食品安全现场快速监测提供了极具前景的解决方案。本研究研制了一种自清洁柔性SERS传感器，可对苹果表面的福美双进行快速、原位、无损检测。研究采用卷积神经网络（CNN）和相干反斯托克斯拉曼散射-偏最小二乘（CARS-PLS）算法对福美双含量进行定量预测。其中卷积神经网络（CNN）算法性能更优，相关系数达0.9963，检出限为0.020毫克/升。该柔性SERS传感器可至少重复使用5次，福美双检测回收率在88.32%~111.80%之间。这款结合深度学习算法的自清洁柔性传感器，在食品安全监测领域展现出广阔的应用潜力。
-
基于近红外光谱结合深度学习的小龙虾新鲜度无损检测
查看原文
2025
Food Control
中科院一区JCR一区
Qing-li Han, Jian-feng Lu, Jiao-jiao Zhu, Lin Lin, Zhi Zheng & Shao-tong Jiang
食品标签
甲壳类 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 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据白度（W）、挥发性盐基氮（TVB-N）和菌落总数（TVC）是评价小龙虾新鲜度的三个重要指标。本研究旨在基于近红外（NIR）光谱技术，建立稳健的模型，以在冷藏过程中对小龙虾的多项新鲜度指标进行无损检测。研究首先采集小龙虾的NIR光谱，并采用传统方法测定其W、TVB-N和TVC值。随后，构建了偏最小二乘回归（PLSR）模型，结合多种光谱预处理与变量选择方法；同时，也基于原始光谱建立了基于一维卷积神经网络（1D-CNN）的预测模型。结果表明，采用小波阈值去噪（WTD）和竞争性自适应重加权采样（CARS）可有效提升PLSR模型的性能。与其他模型相比，1D-CNN模型在TVB-N和TVC的预测中表现最优，其预测决定系数（(R_p^2)）分别为0.9397和0.9318，残差预测偏差（RPD）分别为2.8279和2.7560，充分体现了卷积神经网络在NIR光谱分析中的显著优势。综上所述，本研究结果表明，将近红外光谱与深度学习相结合是一种可行且高效的小龙虾新鲜度无损检测方法。
-
基于 ¹H 核磁共振波谱结合多元统计、机器学习与深度学习模型的食用油及掺伪体系中芝麻油的分类与定量分析
查看原文
2025
Food Chemistry
中科院一区JCR一区
Hyeona Lim, Hyojin Cho, Jin Young Kim, Yeon Ju Shin, Hyang Sook Chun, Byung Hee Kim & Sangdoo Ahn
食品标签
植物油 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
卷积神经网络 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据芝麻油常被掺入更廉价的油脂，因此需要精确的鉴别和定量方法。本研究探究了基于人工智能的模型利用1H核磁共振光谱数据对食用油进行分类以及对掺假混合物中芝麻油进行定量的性能。所有分类模型——主成分分析-线性判别分析（PCA-LDA）、支持向量机（SVM）和一维卷积神经网络（1D-CNN）——均达到了100%的准确率，其中1D-CNN还能同时捕捉木酚素和脂肪酸的信号。在回归分析方面，偏最小二乘回归（PLSR）和支持向量回归（SVR）模型的预测均方根误差（RMSEP）值分别为1.94和1.40（决定系数R²=0.998），而1D-CNN回归模型表现更优（RMSEP=1.03，R²=0.999），能实现更广泛的光谱特征整合。包含此前未使用过的油脂类型的外部测试样本进一步验证了卷积神经网络（CNN）模型的稳健性，该模型预测的芝麻油含量误差在2%以内。这些研究结果凸显了可解释性深度学习与核磁共振波谱相结合在可靠检测和定量掺假芝麻油方面的潜力。
-
基于UV-DAS结合SEP-CNN-TL的苯甲酸钠和山梨酸钾双识别光学传感器
查看原文
2025
Food Control
中科院一区JCR一区
Junfeng Wang, Rui Zhu, Jie Gao, Fei Xie, Mu Li, Changyin Li, Yungang Zhang & Hongbin Lin
食品标签
酸度调节剂/防腐剂/抗氧化剂 化学污染物 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据鉴于苯甲酸钠（SB）和山梨酸钾（PS）作为食品防腐剂的广泛应用以及滥用相关的重大危害，同时准确检测SB和PS对于确保食品安全和保护人类健康至关重要。本文开发了一种基于紫外直接吸收光谱（UV-DAS）结合光谱扩展、卷积神经网络和迁移学习（SEP-CNN-TL）模型的SB和PS双识别光学传感器。提出了一种SEP方法，通过利用浓度与吸光度之间的相关性来解决获取大量光谱数据的挑战。然后构建了CNN-TL模型，以最小化光谱重叠对预测精度的影响。CNN模型使用通过叠加SB和PS单组分溶液光谱生成的组合吸收光谱（CAS）进行预训练，在此基础上，TL模型使用直接源自两者混合溶液光谱的混合吸收光谱（MAS）进行训练，以微调CNN模型。该模型对SB和PS的相关系数（R²）分别为0.9993和0.9995，平均绝对误差（MAE）分别为0.065 μg/mL和0.061 μg/mL。该传感器对SB和PS的定量限（LOQ）分别为0.112 μg/mL和0.108 μg/mL。其实际有效性已通过对饮料的现场测试得到验证，对SB和PS的回收率分别达到95.36 %–98.04 %和98.33 %–99.83 %。这项研究为食品中多种防腐剂的同时检测提供了一种创新方法。
-
基于机器学习的柔性发光传感器用于海鲜中抗生素分布的无损检测
查看原文
2025
Chemical Engineering Journal
中科院一区JCR一区
Lidong Wu, Yuanxin Li, Xueping Xiang, Haiyang Qin, Jinxue Zhao, Xuejing Zhang & Peiyi Li
食品标签
化学污染物 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 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 可见光/RGB/视频数据快速、同步且无损地识别食品中抗生素分布对公共卫生至关重要。本文提出一种基于机器学习增强的发光水凝胶传感器（LHS）的新型抗生素分布图谱构建方法。该LHS由掺入发光铕离子（Eu³⁺）的水凝胶基质构成，在接触四环素（TC）时会发生色度变化。通过智能手机捕获这些发光光谱变化数据，并用于训练卷积神经网络（CNNs），最终实现了对浓度分布模式的识别与定量分析，准确率超过92%。该LHS对TC的线性检测范围为5∼100 μg/L，检测限达0.58 μg/L。经训练的LHS-CNN系统能够同步绘制动物源性食品横截面或湿润动物皮肤上的TC分布图谱，这种应用场景高度模拟了真实复杂的环境条件。该方法有望推动对食品基质（包括具有曲面的基质）上分子的非破坏性检测与鉴定，且无需富集或额外的样品制备步骤。
