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
-
整合人工智能与先进光谱技术用于精准食品安全与质量控制
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Imane Ziani, Hamza Bouakline, Abdelqader El Guerra, Ali El Bachiri, Marie-Laure Fauconnier & Farooq Sher
食品标签
食品安全与风险评估 化学污染物 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 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据高效液相色谱（HPLC）和气相色谱-质谱联用（GC-MS）等传统方法在食品分析中广泛应用，但在检测超低含量或复杂基质中的痕量污染物时往往存在局限性。本综述重点介绍了近期食品分析技术的突破，这些技术为消费者健康保护提供了前所未有的灵敏度和准确性。在这些进展中，宽线表面增强拉曼散射（WL-SERS）将灵敏度提高了十倍，能够检测到生鲜乳中三聚氰胺等污染物的浓度，远低于常规阈值。质谱成像（MSI），特别是基质辅助激光解吸/电离质谱成像（MALDI-MSI），在空间分辨率方面取得了显著进展，能够对食品成分和污染物进行精确的空间分布绘制。此外，二维液相色谱（2D-LC）和多维气相色谱技术也发展迅速，在复杂食品体系中实现了低至1 ppb的检测限。创新的传感器技术，如Dpy近红外（NIR）荧光探针和电化学发光（ECL）适配体传感器，提供了快速、高灵敏度的检测，有效补充了传统方法的不足。此外，人工智能（AI）和机器学习（ML）的整合彻底改变了食品质量评估方式，卷积神经网络（CNNs）等模型在识别掺假物方面的准确率高达99.85%。尽管取得了这些进展，但高昂的运营成本、传感器稳定性以及AI的计算需求等挑战依然存在。本综述强调了先进光谱技术、AI驱动分析和新型传感器技术的融合，并概述了未来策略，如设备小型化、纳米材料创新和标准化协议。这些方法为提高食品安全和质量管理的精确性、效率和可及性提供了变革性的途径，最终将促进公共卫生保护。
-
利用拉曼光谱和深度学习快速测定枫糖浆的总酚类含量和抗氧化能力
查看原文
2025
Food Chemistry
中科院一区JCR一区
Li Xiao, Jinxin Liu, Marti Z. Hua & Xiaonan Lu
食品标签
蜂蜜等天然糖 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据采用拉曼光谱结合深度学习技术，测定了枫糖浆的总酚含量（TPC）与抗氧化能力。总酚含量采用福林-酚法测定，抗氧化能力则通过DPPH法、ORAC法及FRAP法进行检测。利用台式拉曼光谱仪和便携式拉曼光谱仪，对36种不同色泽的枫糖浆样品共采集360条光谱数据。基于这些光谱数据构建了枫糖浆抗氧化特征的预测模型。结合便携式拉曼光谱仪所建立的深度学习模型，其预测性能与台式拉曼光谱仪配套构建的模型效果相当。依托便携式拉曼光谱仪采集的光谱数据集，所构建的深度学习模型具备较低的均方根误差、较低的平均绝对误差以及较高的决定系数。研究结果表明，该模型对枫糖浆抗氧化特征的预测具有良好的拟合度与准确度，证实便携式拉曼光谱仪具备现场快速检测枫糖浆抗氧化特征的应用潜力。
-
中国大学生的基于视力的饮食调查与评估系统
查看原文
2025
Food Chemistry
中科院一区JCR一区
Zichen Gao, Xufeng Yuan, Jie Lei, Hao Guo, Francesco Marinello, Lorenzo Gengini & Alberto Cencig
食品标签
预制菜/即食菜肴 营养与生物功能 食品安全与风险评估计算机标签
卷积神经网络 目标检测网络 缺陷/异物检测与定位 可见光/RGB/视频数据鉴于饮食失衡与营养不足的严峻问题，了解当代大学生的饮食习惯至关重要。然而，传统方法往往依赖回忆，易产生无意识偏差且难以落地。本文提出一种全新的计算机视觉系统，用于评估中国大学生的饮食习惯。基于高校食堂采集的数据，构建了包含RGB-D图像、配料质量配方及营养成分的专用食品数据集。首先，采用目标检测模型识别食品类别与位置；随后，提出一种利用位置与深度信息自动估算非标准份量食品体积的方法；最终通过数据库直接或间接推算营养成分。实验结果表明，YOLOv8目标检测模型与体积估算方法适用于本研究任务。为支撑食品摄入检测与饮食管理设备的研发，本研究已公开数据集，访问地址：https://github.com/zichengzichengzi/CC-FOOD-100。
-
基于高光谱成像与深度学习的蓝莓检测
查看原文
2025
Food Research International
中科院一区JCR一区
Chengbiao Fu, Siyi Liu & Anhong Tian
食品标签
新鲜水果 过程监测与在线检测计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱具有不同糖含量的蓝莓具有不同的风味和市场价值。本研究利用分数阶微分和改进的拉普拉斯特征映射，对复杂场景下不同品种和成熟度蓝莓的高光谱数据进行预处理和波段选择。探讨了高光谱成像技术结合深度学习模型检测不同品种和成熟度蓝莓糖含量的能力，可实现不同蓝莓糖含量的快速检测，满足蓝莓大规模生产的要求。本文使用三个蓝莓品种F6、L11和L25，将蓝莓成熟度分为三类（成熟、半成熟和未成熟）。首先，使用MSC与FOD组合对蓝莓高光谱数据进行预处理，以增强不同蓝莓样本的光谱信息并突出细微特征。然后，使用基于距离函数和核函数的改进拉普拉斯特征映射来提取特征波段，使其能更好地适应FOD处理后的数据并高效选择特征波段。最后，构建定制的浅层卷积神经网络模型进行训练，并将该方法与其他传统的预处理、波段筛选和建模方法进行比较，以获得最优预测模型。结果表明，经过MSC和FOD处理后，1.10阶的CNN模型整体效果最佳（Rp^2 = 0.8597, RMSEP = 0.8552%, RPDP = 2.6694），该模型使用改进的拉普拉斯特征映射提取特征光谱，具有良好的鲁棒性和准确性。同时，这充分验证了FOD结合改进的拉普拉斯特征映射在处理复杂场景蓝莓高光谱数据中的有效性和适用性，且轻量级CNN模型的组合在简化模型结构的同时，能显著提高蓝莓糖含量预测的准确性和性能。上述结果表明，本研究提出的模型对于复杂场景下不同品种和成熟度蓝莓糖含量的检测具有很大的潜在应用价值，可为后续相关研究提供参考。
-
结合化学计量学和深度学习，利用具有金纳米颗粒基底的表面增强拉曼光谱（SERS）对绿茶中的微塑料进行检测与分类
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Rahul Joshi, Samir Adhikari, Donghan Lee & Byoung-Kwan Cho
食品标签
茶/茶饮料 加工污染物 其他包装相关研究 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据绿茶因其有益健康的特性而在全球范围内被广泛饮用，但在包装和加工过程中仍容易受到微塑料污染。聚苯乙烯（PS）和聚对苯二甲酸乙二醇酯（PET）等微塑料对人类健康和食品安全构成潜在风险，这凸显了有效检测方法的必要性。在这项研究中，采用基于金纳米颗粒基底的表面增强拉曼散射（SERS）技术，在400–1650 cm⁻¹的光谱范围内对四种绿茶粉末中的PS和PET污染进行检测和分类。为了对样本进行分类，我们比较了两种化学计量学方法——偏最小二乘判别分析（PLS-DA）和支持向量机（SVM），以及一种深度学习方法，即一维卷积神经网络（1D-CNN）。通过优化预处理，除了绿茶（Ryokucha）外，PLS-DA对所有茶叶品种都实现了完美的分类准确率（100%）。SVM也表现出较强的性能，但准确率略有下降，抹茶（Matcha）为83.89%，茉莉花茶（Jasmine）为100%，煎茶（Sencha）为93.24%。尽管1D-CNN模型的验证准确率高于SVM，抹茶为93.52%，茉莉花茶为99.91%，煎茶为94.26%，但其性能仍略低于PLS-DA模型。此外，对于来自不同绿茶品种的未知样本，SERS–PLS-DA方法再次实现了最高的验证准确率，抹茶为100%，茉莉花茶为99.80%，煎茶为96.46%，这进一步证明了该技术的巨大潜力。这些研究结果证实，基于金纳米颗粒基底的SERS技术，尤其是与PLS-DA相结合时，为绿茶中微塑料污染的快速检测和分类提供了一个高灵敏度、非破坏性且可靠的平台。
