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 2456 条结果
-
应用近红外光谱作为检测线方法评估金枪鱼中的组胺
查看原文
2024
Food Control
中科院一区JCR一区
Sarah Currò, Federica Savini, Luca Fasolato, Valentina Indio, Federico Tomasello, Giulia Rampazzo, Elisa Zironi, Giampiero Pagliuca, Teresa Gazzotti, Laura Prandini, Damiano Accurso, Andrea Serraino, Valerio Giaccone & Federica Giacometti
食品标签
鱼肉 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 随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集在当前全球食品安全背景下，对水产品中组胺含量的评估已成为一个至关重要的问题，因其对人类健康具有深远影响，并会显著影响食品品质与国际贸易。组胺中毒源于摄入组胺含量过高的食品，这是由于在不当的处理、加工或储存条件下，细菌将组氨酸脱羧生成组胺所致。本研究旨在对冻融黄鳍金枪鱼（Thunnus albacares）样品中的组胺污染情况进行系统性评估，采用了一种融合近红外光谱（NIRS）与先进机器学习技术的综合方法。共采集101份样品，并通过系统的加标处理获得四个组胺浓度水平（0、50、150 和 250 mg/kg）；所有加标浓度均经液相色谱-串联质谱（LC-MS/MS）分析验证。随后，采集各样品的NIRS光谱，并分别采用改进型偏最小二乘回归（MPLS）和支撑向量机（SVM）进行定量与定性分析。基于全光谱的MPLS模型在交叉验证和独立验证集上均表现出良好的预测性能（R²CV = 0.88，R²P = 0.74），证实了NIRS在金枪鱼组胺含量估算方面的应用潜力。SVM分类模型在二分类（有/无组胺）和多分类（四个浓度等级）任务中分别达到了100%和93%的准确率。本研究表明，将近红外光谱与机器学习相结合，可实现对冻融金枪鱼中组胺的快速、精准检测，为传统检测方法提供了一种无损、环保的替代方案。该方法对食品企业经营者和监管机构具有重要价值，有助于提升水产品安全水平、加强质量控制，并优化与组胺污染相关的决策流程，在海产品行业中展现出广阔的应用前景。
-
利用表面增强拉曼光谱结合化学计量学快速鉴别小坑绿茶地理来源
查看原文
2024
LWT
中科院一区JCR一区
Yingqi Chen, Shiya Gan, Xiaoyi Zhao, Lei Zhao, Tong Qiu, Qing Jiang, Mengxuan Xiao, Luqing Li, Yan Song, & Qianying Dai
食品标签
茶/茶饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 随机森林 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据小坑绿茶（XKGT），以其产地命名，由于其优质特点为该地区带来了高经济效益，但也易受到欺诈。在本研究中，选取安徽省不同产地的131份烘青茶作为样品，研究表面增强拉曼光谱（SERS）结合化学计量学在狭窄区域内准确辨别绿茶产地的能力。首先，制备球形银纳米颗粒（AgNPs）作为SERS基底。采用分层五折交叉验证方法对建模样品进行划分。建立径向基函数神经网络（RBFNN）、卷积神经网络（CNN）和随机森林（RF）模型，并比较四种不同的预处理方法。结果表明，以归一化作为预处理方法的优化RBFNN模型在区分小坑茶区样品与其他茶区样品方面，预测集的平均准确率为97.69%。该RBFNN模型进一步用于区分安徽省内四个不同产地的茶样，分别为小坑村（XK）、池州市（不含小坑村）（CZ）、六安市（L'A）和黄山市（HS），预测集的平均准确率为91.85%。这些发现表明，将SERS与化学计量学结合，在狭小区域内鉴别小坑高山茶（XKGT）的地理来源具有潜力。
-
基于暹罗网络的对比学习对黄曲霉毒素B1进行光谱智能检测
查看原文
2024
Food Chemistry
中科院一区JCR一区
Hongfei Zhu, Yifan Zhao, Qingping Gu, Longgang Zhao, Ranbing Yang, & Zhongzhi Han
食品标签
谷物/块根/豆与坚果类 食品安全与风险评估 微生物与发酵实验计算机标签
卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱黄麴毒素，即花生、玉米及其衍生物中的有害物质，带来了重大健康风险。为此，本研究引入了创新的MSGhostDNN模型，将对比学习与多尺度卷积网络相结合，实现精确的黄麴毒素检测。该方法显著提升了特征辨别能力，预训练模型下检测准确率达到了令人印象深刻的97.87%。通过应用Grad-CAM，它进一步优化模型，识别关键波长，特别是416纳米，并聚焦于40个关键波长，以实现最佳性能，准确率达97.46%。该研究还采用了任务降维方法进行持续学习，从而实现花生和玉米中黄麴毒素谱系的有效持续监测。这种方法不仅提高了黄麴毒素的检测效率，还为快速在线检测类似毒素树立了先例，为减轻黄麴毒素暴露相关的健康风险提供了有前景的解决方案。
-
基于RGB-D视觉与机器学习的不同形态泡菜白菜质量与体积估计
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Hae-Il Yang, Sung-Gi Min, Ji-Hee Yang, Jong-Bang Eun & Young-Bae Chung
食品标签
其他果蔬制品/植物类 颜色与外观品质 其他品质相关性质 显微与成像技术计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据本研究介绍了一种定制的基于RGB-D的机器视觉系统，该系统旨在准确估算整个朝鲜泡菜 cabbage（WC）和纵向切割的朝鲜泡菜 cabbage（LCC）的质量和体积。鉴于朝鲜泡菜 cabbage（KC）在亚洲和西方饮食中都占据关键地位，对其收获后的质量和体积进行准确评估对于质量控制、分拣和定价至关重要。传统的人工测量和视觉估算既费力又不准确。我们的研究利用RGB-D数据来优化机器学习模型，并加强对2D、3D和比色特征的提取与分析，以实现更可靠的估算方法。结果表明，整合3D和比色特征显著提高了估算精度，在LCC的质量估算方面取得了显著成功（R² = 0.913，性能偏差比（RPD）= 3.38），并且对两种cabbage的体积预测都很稳健（R² > 0.90，RPD > 3）。然而，研究也发现了一些挑战，例如在LCC中可能过度排除外层叶片，以及需要更先进的WC质量估算技术。未来的工作将集中在改进特征提取方法和评估各种成像环境上，以提高不同形态KC的质量和体积预测精度。
-
使用近红外光谱结合广义学习系统和混合波长选择策略测定枇杷的可溶性固形物含量
查看原文
2024
LWT
中科院一区JCR一区
Peng Li, Qingting Jin, Huaming Liu, Liguo Han, Chuanzong Li, & Yizhi Luo
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据可溶性固形物含量（SSC）是评估枇杷品质的重要指标。为了实现SSC的快速、无损和准确检测，本研究开发了近红外（NIR）光谱与广义学习系统（BLS）模型的结合方法。同时，探讨了六种光谱预处理方法和六种波长选择算法对SSC预测的影响，并将BLS模型的性能与广泛使用的偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）模型进行了比较。结果表明，结合标准正态变换（SG-SNV）的Savitzky-Golay平滑提供了最佳预处理方法，而混合方法，即区间变量迭代空间收缩分析和连续投影算法（iVISSA-SPA），成为最有效的波长选择方法。BLS模型优于PLSR和LS-SVM模型。具体而言，基于iVISSA-SPA方法的BLS模型实现了最佳的SSC预测结果，R²P = 0.8646，RMSEP = 0.5104，RPD = 2.7481。因此，近红外光谱结合BLS模型和混合波长选择策略能够快速、无损且准确地检测枇杷的SSC，为果实SSC预测提供了可行的替代方案。
