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 291 条结果
-
基于高光谱成像与多模态深度学习的枸杞产地准确分类
查看原文2025
Food Chemistry: X
中科院一区JCR一区Bo Li, Rui Xia, Juanli Li, Jing Zhang, Zhixing Zhang, Jun Chen & Yu Chen
食品标签
新鲜水果 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
支持向量机 K-近邻 梯度提升决策树 主成分分析/判别分析 卷积神经网络 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据枸杞产地的精准鉴别对于评估其营养与药用价值至关重要。本文提出一种融合交叉注意力机制的多模态卷积神经网络(MTCNN),可有效融合光谱特征与图像特征,测试准确率达99.88%。研究同时将主成分分析(PCA)等传统特征提取方法与支持向量机(SVM)、k近邻(KNN)分类器相结合;其中,采用梯度提升决策树(GBDT)提取光谱特征并融合图像数据的SVM模型,最高准确率为96.68%。对比结果表明,多模态深度学习方法性能显著优于传统方法,在农产品可靠溯源、真伪鉴别与质量保障方面具有应用潜力。除更高的识别精度外,本模型通过简化注意力机制降低计算复杂度,并提升模型可解释性,相比现有结构更具优势,使其在实际应用中更为高效易用。
-
运动恢复结构-卷积神经网络模型(SfM-CNN)实现了用于饮食回顾的准确便携式中国饮食化学成分估算
查看原文2025
Food Chemistry
中科院一区JCR一区Peihua Ma, Hsuan Chih Hong, Xiaoxue Jia, Cheng Jan Chi, Ning Xiao, Bei Fan, Fengzhong Wang & Cheng-I Wei
食品标签
营养与生物功能 理化与结构表征 碳水化合物与糖类计算机标签
卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据准确估算膳食摄入的化学成分对于健康和营养管理至关重要,尤其是在中国这样烹饪多样性复杂的地区。本研究介绍了一种新颖的人工智能驱动解决方案,该方案采用运动恢复结构-卷积神经网络(SfM-CNN)模型来自动分析中餐的化学成分。通过将先进的三维重建技术与深度学习(特别是尺度不变特征变换(SIFT)算法)相结合,我们实现了卓越的特征提取和食物体积估算,误差低于4%。我们的模型在新开发的ChineseDish-100数据集上进行了训练,结果显示,使用SIFT-ResNet50架构估算碳水化合物含量时,决定系数(R²)达到0.949。通过可视化,该模型的可解释性得到增强,这有助于参数优化和可靠的化学成分估算。这些结果凸显了人工智能驱动的模型在提供高效、准确且具有文化相关性的膳食分析工具方面的潜力,标志着在文化多样性地区的营养科学、食品化学和公共卫生举措方面取得了重大进展。
-
基于高光谱成像和深度学习结合距离相关波长选择的鸡蛋新鲜度无损评估
查看原文2025
Current Research in Food Science
中科院一区JCR一区Pauline Ong, Shih-Yen Chiu, I-Lin Tsai, Yen-Chou Kuan, Yu-Jen Wang & Yung-Kun Chuang
食品标签
蛋类及其制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
偏最小二乘法 支持向量机 梯度提升决策树 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱基于哈夫单位的传统鸡蛋新鲜度评估方法具有破坏性且耗时。因此,本研究探讨了利用高光谱成像(450–1100纳米)进行鸡蛋新鲜度无损评估。光谱数据采用标准正态变量进行预处理,以减少光谱变异性,随后进行波长选择——这是提高模型预测能力的关键步骤。特别是,距离相关性作为一种统计上稳健但在高光谱波长选择中很少被探索的方法,被用于识别信息丰富的波长。选定的波长被纳入各种回归模型,即卷积神经网络、梯度提升树、多元线性回归、偏最小二乘回归和支持向量回归模型。我们发现,结合距离相关法的卷积神经网络模型表现最佳(相关系数为0.9056,均方根误差为4.4152),优于使用常用波长选择方法的其他模型。基于获得的最佳模型生成了鸡蛋新鲜度的伪彩色图。
-
气味诱导甜味增强研究进展:结合EEG技术的局部-全球融合变换器网络用于甜味量化
查看原文2025
Food Chemistry
中科院一区JCR一区Xiuxin Xia, Yatao Cheng, Zhuo Zhang, Zhijie Hua, Qun Wang, Yan Shi & Hong Men
食品标签
感官科学与消费者研究计算机标签
卷积神经网络 其他深度学习结构 定量预测/回归分析 时序传感器/物联网数据减少糖分摄入对身体健康至关重要,气味增甜能够提升食用体验与食品品质感知。目前相关研究主要依赖人工主观感官评价,这类评价方式重复性较差。传统研究方法也无法捕捉人体对气味诱导甜味产生的动态神经响应。本文提出一种脑电局部-全局融合Transformer网络(EEG-LGFNet)模型,实现对该影响效应的客观解码。研究采集了16名受试者在不同气味与蔗糖刺激条件下的脑电数据。该模型通过融合局部与全局特征提取机制,实现对复杂神经信号的特征捕捉。研究在三个时间窗口下对模型性能进行验证,证明其在不同时间维度下均具备良好效果。通过对不同脑区决定系数的分析,证实了额叶、中央区及顶叶在甜味感知过程中具有关键作用。EEG-LGFNet模型在气味增甜量化任务中表现优异,性能显著优于现有主流模型。本研究为气味增甜机制研究提供了新的思路,可应用于食品研发、个性化营养及神经科学等领域。
-
基于FTIR与HS-SPME-GC-MS结合化学计量学的天麻产地快速溯源及关键挥发性成分分析
查看原文2025
Food Chemistry: X
中科院一区JCR一区Yingfeng Zhong, Jieqing Li, Honggao Liu & Yuanzhong Wang
食品标签
其他果蔬制品/植物类 特征风味 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 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据天麻(Gastrodia elata Blume)因其丰富的营养成分和独特的风味而在食品领域备受青睐。本文采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)和傅里叶变换红外光谱(FTIR)技术,对天麻的产地进行分类并对挥发性有机化合物(VOCs)进行定量分析。气相色谱-质谱分析表明,甜味、果味和坚果味是天麻的关键风味特征,其中来自云南省昭通市的样品表现出更优良的风味和更丰富的口感。基于傅里叶变换红外光谱数据,灰狼优化器-支持向量机和残差卷积神经网络在天麻溯源中达到了100%的准确率,F1值为1.000。此外,偏最小二乘回归模型成功对天麻中的主要成分2-壬烯醛和二氢-5-丙基-2(3H)-呋喃酮进行了定量分析,预测集残差偏差分别为2.6003和2.3883。该方法为其他食品中挥发性有机化合物的质量控制监测提供了一个新的框架。