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 1098 条结果
-
下一代光学成像与光谱技术:AI 与化学计量学在谷物真伪鉴别、营养与危害因子评估中的应用
查看原文2025
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区食品标签
谷物/块根/豆与坚果类 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据谷物质量对人类健康有着显著影响,这就要求对其真实性、营养成分和食品安全隐患进行全面评估。传统的检测方法往往存在诸多局限性,包括耗时繁琐、操作复杂以及灵敏度有限等。近年来,光学成像和光谱技术已成为评估谷物质量的快速、无损且高通量的替代方法。化学计量学与人工智能(AI),尤其是深度学习算法的融合,在光学数据的处理和分析中至关重要,这对于从大型数据集中提取关键特征而言必不可少。在本研究中,全面介绍了先进的光谱和光学成像技术,并概述了它们在应用研究方面的最新进展,着重强调了这些技术的主要创新点和实际应用。此外,还总结了这些技术以及人工智能驱动的数据处理方法在谷物质量评估各方面的最新发展,旨在凸显实际应用中的潜在研究方向和未来趋势。
-
基于MSA Transformer算法优化的玉米籽粒破碎率定量检测方法
查看原文2026
Food Research International
中科院一区JCR一区食品标签
谷物/块根/豆与坚果类 玉米 食品安全与风险评估 过程控制与数字化 过程监测与在线检测 理化与结构表征 显微与成像技术 其他理化与结构表征计算机标签
深度学习 大语言模型 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/视频数据机械化收获过程中的玉米籽粒破碎率直接影响食品质量和经济回报。然而,目前的定性检测方法无法准确评估玉米籽粒破碎率。本研究提出了一种基于机器视觉和深度学习算法的玉米籽粒破碎率定量检测模型。从籽粒图像中总共提取了27个特征,包括几何、形状、颜色和纹理特征。此外,通过集成多尺度特征融合和注意力机制,开发了一种改进的基于Transformer的深度学习模型——MSA Transformer。该模型使用并行分支进行多粒度特征提取,通过全局和局部注意力增强显著信息,并应用全局平均池化以提高效率。与其他模型相比,MSA Transformer在分类实验中达到了98.03%的分类准确率,优于标准Transformer 2%。平均精确率、召回率和F1分数分别达到99.13%、98.03%和97.87%。在质量回归任务中,完整和破碎籽粒预测的相关系数(r)分别达到0.9507和0.9653;决定系数(R2)分别达到0.9038和0.9318,均方根误差(RMSE)均低于0.0141。定量检测模型预测的破碎率与实际测量值高度吻合,R2为0.9887,相对误差约为6%。特征重要性分析强调了颜色和纹理特征在分类中的主导作用,以及几何特征在质量预测中的主导作用。本研究为食品质量的在线定量评估提供了理论基础。
-
基于时间分辨LIBS的多任务专家混合CNN用于奶粉掺假的定性与定量协同分析
查看原文2026
Food Research International
中科院一区JCR一区食品标签
乳及乳制品 乳粉 食品安全与风险评估 包装与智能监测 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
深度学习 卷积神经网络 循环神经网络 迁移学习/领域自适应 模型轻量化/边缘计算 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据为对奶粉掺假实现高性能的定性与定量联合分析,本研究提出了一种基于时间分辨激光诱导击穿光谱的多任务专家混合卷积神经网络。该方法通过集成时间卷积网络和自适应Inception模块,充分捕获了时间分辨光谱中的局部光谱细节和全局时间模式。此外,通过采用多任务学习机制,该方法联合建模了分类和回归任务,实现了任务间的有效特征共享。同时,在定量分支中集成了专家混合架构,其中专家子模型处理特定的子任务,分类结果指导回归过程。与传统方法相比,MTMoE-CNN在测试集上取得了优越的性能,分类准确率达到0.950,回归指标为R2 = 0.864,RMSE = 2.897,MAE = 1.766。最后,消融研究、可转移性评估和可解释性分析进一步证明了该模型的鲁棒性、可扩展性和透明度。因此,这些结果凸显了MTMoE-CNN在实际快速食品安全监测中应用的强大潜力。
-
基于智能手机的便携式荧光传感器用于选择性检测亚硝酸根离子:金纳米粒子的介导作用
查看原文2022
Food Chemistry
中科院一区JCR一区食品标签
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
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据本研究研发了一种基于荧光法、简便便携的亚硝酸盐(NO 2−)检测装置。该装置由暗箱与智能手机组成,暗箱内集成低功率蓝光 LED 作为激发光源,智能手机搭配用于 RGB 分析的移动应用程序作为光信号检测器。
检测体系采用实验室合成的十六烷基三甲基溴化铵稳定化金纳米颗粒(CTAB-AuNPs)作为传感介质:NO 2−可刻蚀 CTAB-AuNPs 生成金离子(Au 3+),Au 3+在过氧化氢(H 2O 2)存在下催化邻苯二胺(OPD)氧化,生成 2,3 - 二氨基吩嗪(DAP);体系中加入曲拉通 X-100(TX-100)胶束可增强 DAP 的荧光发射信号。智能手机以 RGB 强度值记录 DAP 的荧光强度,该强度与NO 2−浓度呈线性相关。该方法的线性检测范围宽(0.5~100 μmol/L),检出限低至 0.17 μmol/L,且对NO 2−具有优异的选择性,可排除其他阴离子的干扰。 -
基于鱼眼液荧光激发发射矩阵(EEM)分析的鳙鱼头部新鲜度无损预测:比较BPNNs和RBFNNs模型
查看原文2022
Food Chemistry
中科院一区JCR一区食品标签
鱼肉 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
机器学习/统计学习 深度学习 定量预测/回归分析 红外/拉曼光谱数据本研究基于 激发 - 发射矩阵(EEM) 特征组分,构建了反向传播神经网络(BPNNs)与径向基函数神经网络(RBFNNs)模型,用于评估不同贮藏温度下鳙鱼头的新鲜度。
通过平行因子分析(PARAFAC)从鱼眼液的激发 - 发射矩阵数据中提取出两个特征组分,该组分为表征变温条件下鱼类新鲜度相关荧光基团的最优特征变量。研究采用基于 EEM 特征组分的 EEM-RBFNNs 与 EEM-BPNNs 模型预测鱼类新鲜度。
结果表明,EEM-BPNNs 模型对 硫代巴比妥酸反应物(TBARS)和细菌总数(TAC) 的预测相对误差均低于 10%,预测效果优于 EEM-RBFNNs 模型。这说明,结合平行因子分析得到的鳙鱼眼液 EEM-BPNNs 模型,在变温贮藏条件下的鱼类新鲜度预测中具备极高的应用潜力。