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 364 条结果
-
通过便携式LED荧光光谱和化学计量分析,快速鉴定印尼研磨阿拉比卡咖啡掺杂烘焙大豆
查看原文2025
Food Chemistry
中科院一区JCR一区Diding Suhandy, Meinilwita Yulia, Slamet Widodo, Hirotaka Naito & Dimas Firmanda Al Riza
食品标签
咖啡饮料 豆类与坚果(及籽类) 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
机器学习/统计学习 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/拉曼光谱数据正宗的阿拉比卡咖啡容易被欺诈和掺假。阿拉比卡、罗布斯塔和利贝里卡四季豆看起来不同。经过烘焙和研磨后,正宗咖啡看起来和劣质咖啡几乎一模一样。需要一种合适的研磨咖啡鉴定分析技术。本研究利用便携式LED荧光光谱和化学计量技术,识别并定量研磨阿拉比卡中的烘焙大豆。对比监督分类算法PLS-DA、LDA、PCA-LDA和SVMC。采用了三种易用的回归方法预测掺假阿拉比卡咖啡中的大豆掺假情况:PLSR、PCR和MLR。线性核-VMC模型的分类准确率为100%,优于PLS-DA、LDA和PCA-LDA。PLSR的LOD最低,为4.96%(水/日),且大豆掺假回归模型最佳(RMSEC为2.01%(日/日),RMSECV为2.10%(日/日),R。2c0.99,R。2简历0.99)。RPD和RER分别为11.39和31.07,已超出实际适用范围。所提方法更简单、无损且成本效益高。
-
基于高光谱成像与深度学习的南丰蜜桔品质定性与定量分析
查看原文2025
Food Control
中科院一区JCR一区Jing Zhang, Hailiang Zhang, Yizhi Zhang, Jiuhong Yin, Baishao Zhan, Xuemei Liu & Wei Luo
食品标签
新鲜水果 颜色与外观品质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
卷积神经网络 偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集水果已成为人们日常生活中不可或缺的食品,其外部缺陷和内部品质均受到销售者与消费者的高度重视。本研究结合高光谱成像技术与深度学习方法,对南丰蜜桔的外部缺陷及可溶性固形物含量(SSC)进行快速、无损检测。实验采集了具有四类缺陷(炭疽病、黑斑病、腐烂和疤痕)以及完好无损的南丰蜜桔样本在380–1030 nm波段范围内的高光谱数据。首先,提出了一种用于定性分析的端到端卷积神经网络(CNN)模型,并将其分类性能与传统分类模型进行了对比。研究中应用了三种预处理方法和三种特征选择技术。结果表明,基于竞争性自适应重加权采样(CARS)特征选择的CNN模型在缺陷识别任务中取得了最高的总体准确率,达到97.27%。此外,以150个完好南丰蜜桔为对象,分别基于全光谱和特征波长构建了偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)和CNN三种定量预测模型用于SSC预测。其中,CNN模型表现最优,其预测决定系数(R²)、预测均方根误差(RMSEP)和残差预测偏差(RPD)分别为0.9290、0.3772和3.7655。综上所述,本研究证实了高光谱成像结合深度学习在南丰蜜桔外部缺陷识别与SSC预测中的可行性,为其他水果内外品质的综合评估提供了一种新方法。
-
自动化LA-DBD-TLC-MS设备结合机器学习算法用于精确检测渔业产品中的生物胺
查看原文2025
Food Chemistry
中科院一区JCR一区Tiantian Zhang, Haonan Mi, Shichao Wei, Yuan Xu, Zhao Yang, Shuai Liang & Xuelu Ding
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
支持向量机 随机森林 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析本研究研制了一种新型小型化自动化激光剥蚀介质阻挡放电薄层色谱-质谱联用(LA-DBD-TLC-MS)装置,可用于水产品中生物胺的快速检测。该装置为即插即用系统,集成了二极管激光热脱附、介质阻挡放电等离子体电离与串联质谱检测功能,并通过实验与计算方法对关键运行参数进行了优化。以纳米炭黑为基质时,该装置的检出限可达0.230皮克每平方毫米。在六种生物胺筛查检测中,其检测效果与高效液相色谱-串联质谱法相当;同时结合主成分分析、随机森林、支持向量机、多层感知机等机器学习算法,可实现鱼类品种区分与腐败程度评估,检测准确率较高。多元线性回归模型对三文鱼腐败程度的预测相关性优异,决定系数达0.974。该研究证实,LA-DBD-TLC-MS装置可作为可靠、精准且高通量的检测工具,适用于水产品中生物胺的快速分析,也具备用于食品基质中有机化合物直接痕量分析的应用潜力。
-
牛肉质量的综合无损评估:重点使用人工智能和高光谱成像进行纹理特征分析和嫩度评估
查看原文2025
LWT
中科院一区JCR一区Je Hyeon Lee, Jia Yu, Xiangzi Li, Dae Jong Kim, & Sungkwon Park
食品标签
畜肉 质构与流变性质 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 蛋白质与氨基酸计算机标签
偏最小二乘法 支持向量机 随机森林 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据本研究开发了一种利用高光谱成像(HSI)、近红外(NIR)光谱和机器学习(ML)预测牛肉嫩度的非破坏性方法。共分析了159个牛里脊样品,使用偏最小二乘回归(PLSR)对水分和胶原蛋白含量进行量化(R²分别为0.973和0.953)。从基于HSI的化学图中提取了纹理特征,采用灰度共生矩阵(GLCM)分析。这些特征与化学指标结合,用于根据Warner-Bratzler剪切力将嫩度分为三类。随机森林模型实现了最高准确率(F1分数=1.00),其次是SVM(97%)。所提出的方法提供了准确且高效的嫩度评估,适用于大规模工业应用。
-
利用低成本多通道光谱传感器结合机器学习快速识别咖啡种类与产地
查看原文2025
Food Research International
中科院一区JCR一区Diang Sagita, Slamet Widodo, Sutrisno Suro Mardjan, Pradeka Brilyan Purwandoko, Suparlan, Hari Hariadi & Sandi Darniadi
食品标签
咖啡饮料 品质、结构与理化性质 统计建模与仿真 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据咖啡种类与产地的快速识别对于确保咖啡行业的质量控制与真实性至关重要。本研究探索使用低成本多通道光谱传感器AS7265X(410–940 nm)结合机器学习技术,以实现快速、无损的咖啡种类与产地准确分类。光谱数据通过三种LED配置收集:原始的18个光谱波段,以及通过配置LED发射器将数据扩展为24和30个光谱特征的两种附加配置。咖啡样本包括两个种类(阿拉比卡和罗布斯塔),源自印度尼西亚四个不同产地:弗洛雷斯阿拉比卡(AF)、迦约阿拉比卡(AG)、丹比特罗布斯塔(RD)和淡满光罗布斯塔(RT)。研究采用了四种机器学习算法,即线性判别分析(LDA)、人工神经网络(ANN)、随机森林(RF)和支持向量机(SVM),并通过交叉验证技术进行超参数调优。此外,对每个咖啡豆样本随机进行了理化分析,并采用主成分分析(PCA)作为数据的探索性分析。研究结果表明,使用LDA算法在24和30个光谱特征下,咖啡种类识别达到了100%的完美准确率。对于咖啡产地识别,使用24个原始光谱特征的LDA算法获得了0.917的最高验证准确率。此外,研究应用了多种数据预处理方法并评估了它们对分类性能的影响,但所有预处理均未对分类性能带来任何提升。结果强调了AS7265X传感器结合LDA在可靠、快速咖啡种类识别方面的有效性。此外,该方法为咖啡产地识别提供了一种有前景、高性价比的解决方案,有助于增强咖啡行业的质量控制流程。