01 / 01

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
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 将近红外高光谱成像与机器学习和特征选择相结合:检测特级初榨橄榄油中掺入的低等级橄榄油和榛子油

    2024
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    Derick Malavi, Katleen Raes & Sam Van Haute

    食品标签

    植物油 食品安全与风险评估 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 随机森林 K-近邻 逻辑回归/贝叶斯 智能手机/其他 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

    检测特级初榨橄榄油(EVOO)中的掺假行为,对于化学成分相似的油类而言尤其具有挑战性。本研究应用近红外高光谱成像(NIR-HSI)和机器学习(ML)技术,检测不同浓度(1%、5%、10%、20%、40%和100% 质量比)的榛子油、精炼橄榄油和橄榄果渣油对特级初榨橄榄油的掺假情况。研究采用萨维茨基-戈莱滤波、一阶和二阶导数、多元散射校正(MSC)、标准正态变量(SNV)及其组合对光谱数据进行预处理,并通过主成分分析(PCA)降低数据维度。分类工作借助偏最小二乘判别分析(PLS-DA)和多种机器学习算法完成,包括k近邻(k-NN)、朴素贝叶斯、随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)。在区分纯特级初榨橄榄油、掺假物和掺假油时,PLS-DA、k-NN、RF、SVM、NB和ANN模型的准确率分别达到97.0–99.0%、96.2–100%、96.5–100%、98.6–99.5%、93.9–99.7%和99.2–100%。在二分类中,PLS-DA、RF、SVM和ANN的性能显著优于朴素贝叶斯(p < 0.05),马修斯相关系数(MCC)均超过0.90。除朴素贝叶斯外,所有二分类器在结合SNV/MSC、萨维茨基-戈莱平滑及导数处理后,在区分纯特级初榨橄榄油与掺假油时,准确率、灵敏度、特异性、F1分数、精确度和MCC均稳定达到满分(1.0)。使用全光谱的模型与基于关键变量选择的模型在性能上无显著差异(p > 0.05)。不过,PLS-DA和ANN的性能显著优于k-NN、RF和SVM(p < 0.05),其MCC值在0.95至1.00之间,表明分类性能更优。这些研究结果表明,将近红外高光谱成像与机器学习相结合,并辅以关键变量选择,有望为检测特级初榨橄榄油中的掺假行为以及打击橄榄油行业的欺诈活动提供一种有效、无损的解决方案。

  • 通过分析淀粉颗粒形态的神经网络实现面粉类型的自动验证以确保“加利西亚面包”原产地保护标志

    2024
    Food Control
    中科院一区
    JCR一区
    查看原文

    Xosé R. Fdez-Vidal, Nerea Fernández-Canto, María Ángeles Romero-Rodríguez, Ana María Ramos-Cabrer, Santiago Pereira-Lorenzo, & Matilde Lombardero-Fernández

    食品标签

    碳水化合物配料 品质、结构与理化性质 显微与成像技术

    计算机标签

    深度学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据

    面粉的质量管控是保障其制成品面包品质的关键环节。本研究提出一种基于淀粉颗粒形态特征的面粉质量控制方法。对于致力于生产 “加利西亚面包” 这一受保护地理标志(PGI)产品的生产商而言,利用显微图像实现面粉中各类谷物淀粉颗粒的自动化识别、分割及平均粒径测定,是一项不可或缺的核心工序。若由专业技术人员人工完成此项识别与计数工作,不仅过程繁琐,还需耗费大量时间。因此,实现该任务的自动化,除大幅节省时间成本外,更可显著提升整体工艺流程的效率。本文首次采用深度学习方法(掩码区域卷积神经网络,Mask R-CNN),开展淀粉颗粒的种类判定及粒径预测研究。研究人员使用此前人工识别计数时所用的原始偏振光显微图像,对训练完成的模型进行性能验证。本研究分析的数据集包含 1308 张分辨率为 2564×1924 像素的显微图像,图像中标注了两种小麦的 17000 个淀粉颗粒 —— 分别为卡斯蒂利亚商用小麦粉(0 类)和加利西亚本土小麦粉 “卡阿韦罗”(1 类),且两类样本的数量大致相当。基于 Mask R-CNN 的实例分割模型(模型 Ⅱ)在未知图像检测中表现出良好性能:其分类总体准确率约为 88.6%,淀粉颗粒面积的测定结果与专业人员人工估算值的偏差小于 4%。Mask R-CNN 模型所实现的检测效果,与专业人员人工分析结果呈现高度相关性,充分验证了本研究提出方法的实际应用价值。

  • 便携式近红外光谱结合变量选择-线性判别分析技术用于硫熏陈皮的精确无损检测

    2024
    LWT
    中科院一区
    JCR一区
    查看原文

    Xiwen Qiu, Yiqing Dong, Liwen Jiang, Wei Fan, Guorong Du, & Pao Li

    食品标签

    其他果蔬制品/植物类 化学污染物 其他安全问题 光谱/色谱/质谱等分析方法

    计算机标签

    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 红外/拉曼光谱数据

    陈皮(CRP)是一种重要的中药材和食品。硫磺熏蒸可能引起陈皮的化学转化,而外观上没有差异,从而对人体健康产生有害影响。本文基于便携式近红外光谱(NIRS)和化学计量学,建立了一种准确且无损的硫磺熏蒸陈皮检测方法。收集了389份正常陈皮和350份硫磺熏蒸陈皮,同时直接获取了外皮和内囊的光谱而不破坏样品。采用新的变量选择-线性判别分析(LDA)方法以及其他四种基于模式识别的现有LDA方法,结合光谱预处理方法,建立了硫磺熏蒸陈皮的识别模型。这些模型通过使用验证集以及一个月后收集的外部验证集进行评估。结果显示,表皮的识别准确率优于内囊的识别准确率。二阶导数 (2nd)- 竞争自适应重加权抽样 (CARS)- LDA 模型具有最佳识别能力,验证集准确率为 98.92%,外部验证集准确率为 99.46%。此外,本文提出的随机化测试 (RT)- LDA 方法结合了高稳健性和高准确率的优点。

  • 利用高光谱成像和带注意力机制的多任务一维卷积神经网络预测枸杞(枸杞子)的化学成分

    2024
    LWT
    中科院一区
    JCR一区
    查看原文

    Huiqiang Hu, Yunlong Mei, Yunpeng Wei, Zhenyu Xu, Yuping Zhao, Huaxing Xu, Xiaobo Mao, & Luqi Huang

    食品标签

    新鲜水果 品质、结构与理化性质 营养与生物功能 显微与成像技术

    计算机标签

    卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱

    枸杞(Lycium barbarum)的生物活性成分是其营养和商业价值的重要决定因素。在本研究中,我们将高光谱成像技术(HSI)与一维卷积神经网络(1DCNN)结合,用于预测枸杞中化学成分的含量。为了增强模型对相关信息的关注能力,我们引入了通道注意力模块(CAM)、光谱注意力模块(SAM)并将它们融合,这可以分别对卷积核的输出特征进行不同的关注,并自适应地强调更有效的光谱波段。此外,考虑到传统单任务预测方法的局限性以及不同成分之间的固有相关性,我们采用了多任务卷积神经网络,同时预测各种枸杞成分。结果表明,增强注意力机制的1D卷积神经网络(1DCNN)模型优于部分最小二乘回归(PLSR)模型和普通1DCNN模型。通过多任务学习,该模型实现了最佳性能,对三个成分的预测平均R²达到0.9435。我们的研究开发了一种高效且准确的枸杞成分预测方法,为食品行业中果品质量的评估和检测提供了一个有价值、便捷且有效的工具。

  • 基于机器学习与光谱特征采集优化的蔷薇科水果品质特性预测研究

    2024
    Food Control
    中科院一区
    JCR一区
    查看原文

    Xuan Liu, Juan Wang, Hao Wang, Yirui Huang & Zhenhui Ren

    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 传统统计分析与回归 碳水化合物与糖类

    计算机标签

    随机森林 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱

    机器学习算法已被广泛应用于食品与农产品各类品质指标的估算和预测研究中。本研究旨在探究基于机器学习算法的李亚科果实品质预测模型的适用性与准确性。研究选取极端梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)、类别型特征梯度提升(CatBoost)以及随机森林(RF) 四种机器学习算法,分别构建针对桃、杏、樱桃这三种李亚科果实的可溶性固形物含量(SSC)与可滴定酸含量(TA)的预测模型。同时,研究考察了三种高光谱数据去噪方法,并采用两种特征提取技术实现高光谱数据的降维处理;通过融合多种光谱数据,模型的预测精度得到了进一步提升。实验结果表明,以互补光谱数据作为输入时,多层感知机 - 平滑滤波 - 极端梯度提升(MLP-SG-XGBoost)模型在桃和杏的可溶性固形物含量预测任务中表现最优,决定系数(R 2)分别达到 0.9162 与 0.9251;而逻辑回归 - 平滑滤波 - 轻量级梯度提升机(LGR-SG-LightGBM)模型则在桃和杏的可滴定酸含量预测中准确率最高,决定系数(R 2)分别为 0.9193 与 0.9206。上述研究结果表明,所构建的模型能够对李亚科果实的品质指标实现精准预测。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号