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 130 条结果
-
基于拓扑集成框架的改进型FTIR食品真实性分类方法
查看原文2026
Current Research in Food Science
中科院一区JCR一区Hsin-Chun Yu, & Yu-Kai Chen
食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 公开数据集保障食品的真实性与品质是食品科学和技术领域的一项重要挑战,尤其是在产品组成差异细微且无法通过肉眼辨别时。傅里叶变换红外(FTIR)光谱是具有应用潜力的食品真实性鉴别工具,但实际光谱常存在基线漂移、散射效应和吸收峰重叠,增加了可靠判别的难度。这类非线性及相互重叠的光谱信号可能限制主成分分析、偏最小二乘回归等传统化学计量学方法的性能,因为这些方法虽然广泛用于降维和回归,却往往难以泛化至非线性光谱数据。为解决上述问题,本研究提出一种新框架:利用滑动窗口嵌入和拓扑数据分析(TDA)提取光谱的局部、中尺度及全局结构,随后使用以透明基础学习器构成的Bagging集成模型进行稳健预测。研究采用UCR时间序列分类档案中的6个食品相关FTIR基准数据集,在官方固定训练—测试划分下进行综合评估,未实施额外的特定数据集预处理。根据文献报告结果,在标准化UCR基准设置下,该方法相较20种常用的距离型、特征型、集成型及深度学习型时间序列分类器表现出持续稳健的性能,并在不同食品类别中取得较高的分类准确率和Macro-F1值。分析还表明,多尺度拓扑描述符能够增强模型的可解释性,并揭示光谱变异特征。总体而言,该框架兼顾透明性、稳健性和计算效率,可为后续在受控采集条件下评估测量特异性影响的研究提供可复现的基准参考。
-
利用拉曼-红外融合和基于注意力的 LSTM 模型无损评估罗非鱼质构
查看原文2026
Food Control
中科院一区JCR一区Yiling Zhang, Xuekai Gao, Shahbaz Gul Hassan, Caijian Xie, Tonglai Liu, Shuangyin Liu, & Longqin Xu
食品标签
鱼肉 质构与流变性质 营养与生物功能 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
循环神经网络 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱随着消费升级趋势增强,消费者对脆肉罗非鱼品质的需求已从基本营养供给逐渐转向更高层次的感官体验,人们迫切需要一种快速高效的方法来评价罗非鱼质构特性。本研究提出了一种无损评估方法,用于评价不同解剖部位和不同体重罗非鱼的质构特性。研究将拉曼光谱、红外高光谱成像与化学计量学技术结合,用于评估脆度、弹性、咀嚼性和内聚性等关键质构参数。研究构建了基于注意力机制的长短期记忆网络,并结合 ElasticNet 特征选择和中层数据融合,以高精度建立光谱反射数据与质构属性之间的关系。对于脆度、弹性、咀嚼性和内聚性,模型 Rp2 分别为 0.98、0.98、0.98 和 0.99,RMSEP 分别为 51.96、0.01、14.53 和 0.02,RPD 分别为 7.36、6.95、7.66 和 8.53。结果表明,该方法具有优异的预测能力。双光谱模态融合为统一饲养条件下罗非鱼不同身体部位质构差异评价提供了稳健的无损解决方案,在食品质量评估实际应用中具有显著潜力。
-
基于迁移学习和三维辐射传输模型的酿酒葡萄叶片叶绿素含量高光谱估算
查看原文2026
Artificial Intelligence in Agriculture
中科院一区JCR一区Qifan Chen, Zhiwen Mi, Qifan Wang, Fahu Xu, Yulin Fang, Rui Wang, Yuyang Song, & Baofeng Su
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 常规理化指标测定 其他植物化学物质计算机标签
深度学习 梯度提升决策树 智能手机/其他 迁移学习/领域自适应 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 超大规模/工业级数据集 合成/仿真数据为主准确、及时地监测酿酒葡萄叶片叶绿素含量(LCC),对于评价其光合状态、优化管理与种植措施以及提高产量和品质至关重要。传统的物理模型和经验模型估算方法往往存在不确定性,并且难以充分适应非线性关系。本研究构建了一种用于估算酿酒葡萄 LCC 的无人机高光谱深度学习网络 VitiChlNet,并将三维辐射传输模型(3D RTM)与深度迁移学习技术相结合,实现不同品种和生育期酿酒葡萄 LCC 的估算与制图。首先,使用 LESS 模型模拟不同冠层结构和观测条件下的 80,000 条冠层反射率数据,并利用该模拟数据集对 VitiChlNet 进行预训练。随后,基于实测无人机高光谱数据和 LCC 数据,通过迁移学习对模型进行微调。研究将 VitiChlNet 的性能与经验方法和物理方法进行了比较。具体而言,采用全光谱、植被指数、竞争性自适应重加权采样、连续投影算法和无信息变量消除五种光谱特征构建策略,分别建立 XGBoost、LightGBM 和岭回归三种机器学习经验模型;同时构建基于 LESS 模型的查找表反演策略。此外,研究还对不同生育期的多种酿酒葡萄进行了 LCC 制图。结果表明,VitiChlNet 的表现优于其他方法,具有更好的 LCC 估算性能(R²=0.69),且受氮浓度和年际差异等因素的影响较小。迁移学习提高了 LCC 估算精度,并有效解决了小样本条件下的泛化问题。本研究可为酿酒葡萄 LCC 的大范围监测提供一种可行策略,对种植管理实践具有重要意义。
-
基于高光谱成像技术的羊肉多指标自适应预测模型
查看原文2026
Food Control
中科院一区JCR一区Yuzhong Chen, Xiaochun Zheng, Tengfei Li, Weiting Wang, Yanli Ma, Peng Hu, Jianfang Cao, Pengfei Du, & A.M. Abd El-Aty
食品标签
畜肉 质构与流变性质 颜色与外观品质 显微与成像技术 常规理化指标测定计算机标签
特征工程与选择策略 超参优化/自动机器学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据本研究提出了一种基于高光谱成像的羊肉多指标自适应同步预测模型。研究整合光谱特征、纹理特征、小波特征以及可见光区域颜色特征(L、a、b),构建多维信息空间,并引入自适应优化策略,包括自适应特征选择、自适应模型选择和自适应模型超参数优化。其中,pH 和菌落总数的预测效果最好,校正集 R2 分别为 0.953 和 0.973,预测集 R2 分别为 0.937 和 0.951;TVB-N 的校正集 R2 为 0.896,预测集 R2 为 0.856;L、a 和 b 的校正集 R2 分别为 0.872、0.837 和 0.938,预测集 R2 分别为 0.498、0.771 和 0.888。该研究为光谱多指标同步预测的应用提供了有价值的参考和技术支持,有助于相关研究和实际应用。
-
融合电子感官、非靶向代谢组学与 FT-NIR 光谱及机器学习的诃子产地快速判别与品质评价研究
查看原文2026
Food Research International
中科院一区JCR一区Yuhang Li, Wei He, Hanwen Zhang, Yue'e Li, Xiaomeng Li, Guokan Ge, Yawei Huang & De Ji
食品标签
其他果蔬制品/植物类 食品安全与风险评估 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 其他理化与结构表征 代谢组学计算机标签
偏最小二乘法 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据 组学数据诃子的准确基原鉴定对于保障其质量与疗效至关重要。为此,本研究首次建立了融合多种现代分析技术的综合质量评价策略。首先采用DNA条形码技术对样品基原进行鉴定;随后利用电子眼和电子鼻客观量化并区分果实的颜色特征与风味轮廓;非靶向代谢组学分析共鉴定出9037个代谢物,全面揭示了两个亚种间存在显著差异的化学特征;抗氧化活性测定表明,诃子在ABTS和FRAP试验中均表现出更优的活性。为实现快速质量评价,本研究构建了基于傅里叶变换近红外光谱的机器学习模型,其中结合线性判别分析的分类模型可对两种基原实现完全区分。此外,通过竞争性自适应重加权采样等算法优选光谱变量所构建的偏最小二乘回归模型,能够精准预测5种关键活性成分含量及3项抗氧化活性指标(校正决定系数、预测决定系数均大于0.92)。该方法为诃子的质量控制提供了高效可靠的分析工具,满足了行业对现场快速分析的需求。