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
-
应用高光谱成像与机器学习技术基于大豆种子预测石膏豆腐品质
查看原文
2024
Food Control
中科院一区JCR一区
Amanda Malik, Billy Ram, Dharanidharan Arumugam, Zhao Jin, Xin Sun, & Minwei Xu
食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
深度学习 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱大豆是制作优质豆腐的核心原料。传统大豆制豆腐品质评定方法不仅耗时，还需投入大量人力。本研究采用高光谱成像（HSI）技术结合机器学习算法，实现基于大豆籽粒快速预测石膏豆腐品质的目标。研究人员依据豆腐品质，通过系统聚类法将 200 份大豆品种划分为 4 个等级；同时采集大豆籽粒在 900~1700 nm 波段的高光谱图像数据。借助极端梯度提升（XGBoost）算法，筛选出 10 个与大豆蛋白质、碳水化合物及油脂含量显著相关的特征波长。在此基础上，利用不同等级大豆的高光谱数据训练卷积神经网络（CNN）模型。针对未知大豆样本，该 CNN 模型可将其精准归类至对应品质等级，分类准确率达 96%~99%。通过豆腐制作实验进一步验证，该模型对豆腐出品率、硬度、弹性等核心品质指标的预测结果具有良好的稳健性。综上，这项创新性研究搭建了高光谱成像结合卷积神经网络的技术体系，实现了从大豆籽粒层面快速、无损预测豆腐品质的目标。经进一步优化完善后，该技术有望革新大豆籽粒的品质评定模式。
-
一种基于1D-Inception-ResNet的薄皮多果种光谱定量分析全局检测模型
查看原文
2024
Food Control
中科院一区JCR一区
Yan Yu, Jipeng Huang, Lianming Wang & Shili Liang
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
卷积神经网络 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据近红外光谱（NIRS）分析技术因其无损特性，在农产品品质检测中具有重要的研究与应用价值。以卷积神经网络（CNN）为代表的深度学习方法减少了光谱分析对专家经验和先验知识的依赖，能够从原始光谱数据中自动提取有效的特征信息，从而提高模型的预测精度。然而，水果品种的多样性给模型的鲁棒性带来了挑战。本研究提出了一种用于多品种水果光谱定量分析的端到端一维卷积神经网络模型——1D-Inception-ResNet，并在两个理化性质相近的薄皮水果数据集上验证了该模型的有效性。实验结果表明，该模型对可溶性固形物含量（SSC）和干物质（DM）的预测均方根误差（RMSEP）分别为0.48 °Brix和0.60%，预测决定系数（Rp²）分别为0.95和0.89。与传统的偏最小二乘回归（PLSR）方法（Rp²分别为0.86和0.80，RMSEP分别为0.84 °Brix和0.81%）以及极限学习机（ELM）方法（Rp²分别为0.82和0.77，RMSEP分别为0.95 °Brix和0.86%）相比，所提出的1D-Inception-ResNet模型在SSC和DM预测上的RMSEP分别降低了46.1%和28.1%，Rp²则分别提高了13.1%和13.4%。结果表明，相较于其他线性和非线性算法，1D-Inception-ResNet显著提升了建模效果。此外，在使用新样本集进行外部验证时，Inception-ResNet模型对SSC和DM的预测RMSEP分别为0.62 °Brix和1.45%。综上所述，通过采用合适的CNN网络结构构建适用于多种水果的全局模型，不仅拓展了模型的应用范围，也提高了其在不同物种间的预测稳定性，这对未来农产品及食品领域的实际应用具有重要意义。
-
非靶向代谢组学与土壤宏基因组学结合机器学习评估揭示不同产地人参的地理差异
查看原文
2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Yuan Cui, Daian Pan, Jiabao Feng, Daqing Zhao, Meichen Liu, Zhengqi Dong, Shichao Liu & Siming Wang
食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法 代谢组学 其他组学方法 其他特殊成分计算机标签
梯度提升决策树 随机森林 分类/鉴别/等级评定 定量预测/回归分析 组学数据人参（Panax ginseng C.A. Meyer），被誉为“草本之王”，在中国被用作营养补充剂，用于食品和药物领域，具有缓解疲劳和增强免疫力的功效，这一应用已有数千年的历史。在农业种植中，不同地理来源的土壤环境会导致人参质量存在明显差异，但这些差异的潜在机制尚不清楚。在本研究中，通过超高效液相色谱 - 四极杆飞行时间质谱（UHPLC-QTOF-MS）的非靶向代谢组学方法，在中国 10 个地区的人参样本中发现了 20 种关键的差异代谢物，包括人参皂苷 Rb1、葡萄糖 6-磷酸等。对土壤特性进行了分析，并结合宏基因组学技术来探究种植土壤中微生物元素之间的可能关系。通过斯皮尔曼相关性分析，发现土壤中丰度最高的前 10 种微生物群落与关键代谢物显著相关。此外，通过随机森林算法建立的关系模型以及土壤微生物丰度与人参代谢物之间的定量关系均得到了成功预测。使用 XGboost 模型确定了 20(R)-人参皂苷 Rg2 和 2′(R)-人参皂苷 Rg3 为特征标记代谢物，并发现了最优的人参生产区域。这些结果证明，人参中的代谢物积累受到种植土壤中微生物的影响，从而导致了人参质量的地域差异。
-
由气味诱导的嗅觉脑电图：用于食物识别和快感分析
查看原文
2024
Food Chemistry
中科院一区JCR一区
Yuchen Guo, Xiuxin Xia, Yan Shi, Yuxiang Ying, & Hong Men
食品标签
食品安全与风险评估 特征风味计算机标签
机器学习/统计学习 分类/鉴别/等级评定随着食品真伪验证需求的增加，对食物气味的感官评估 已被广泛认可。本研究提出了基于脑电图（EEG）的理论，利用特征工程和集合学习，建立基于嗅觉感知和愉悦的物质和情感空间。本研究探讨了这两个空间之间的内在联系，并探讨了构建OPDS中的整合与分化机制。这种方法能够有效地可视化各种类型的食物气味，同时识别它们的感知强度和愉悦度。在八个类别实验中，气味识别的平均分类准确率为96.1%。相反，在两类实验中，感官愉悦识别的平均分类准确率为98.8%。本研究提出的理论方法基于嗅觉脑电信号构建OPDS，捕捉了对食物气味的细微感知差异和个性化愉悦反应。
-
快速且敏感的食品欺诈检测方法：对前景与挑战的回顾
查看原文
2024
Food Chemistry
中科院一区JCR一区
Ramesh Sharma, Pinku Chandra Nath, Bibhab Kumar Lodh, Jayanti Mukherjee, Nibedita Mahata, Konga Gopikrishna, Onkar Nath Tiwari, & Biswanath Bhunia
食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据 文本/知识库/法规数据鉴于食品安全和质量日益增长的关注，需要精确可靠的分析技术来保证食品质量。由于传统程序成本高且耗时，需要快速的食品控制技术来确保产品质量。用于识别和检测食品欺诈的多种分析技术，包括光谱学、色谱法、DNA条形码和肌力比质谱（IRMS）。由于其快速发现、使用简便、高通量、经济实惠以及对多种食品基质的无损评估，镍一级光谱和高光谱成像在食品行业中备受青睐。随着化学计量技术和近红外光谱仪器的发展，该技术的适用性不断提升。本研究还讨论了多种多元分析技术在识别食品欺诈时的应用，如主成分分析、偏最小二乘法、聚类分析、多元曲线解析和人工智能。
