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
-
基于高光谱成像技术与不同深度卷积神经网络的轻微发芽小麦籽粒识别
查看原文
2023
Food Control
中科院一区JCR一区
Jingwu Zhu, Hao Li, Zhenhong Rao, & Haiyan Ji
食品标签
小麦 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
深度学习 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱发芽小麦籽粒会对小麦粉、面包等各类小麦制品的品质产生显著影响，但此类籽粒（尤其是轻度发芽籽粒）难以通过人工肉眼识别。本研究采用高光谱成像技术，结合深度学习算法，开展轻度发芽小麦籽粒与正常小麦籽粒的分类鉴别研究。研究首先对随机摆放的小麦籽粒高光谱图像，采用多种常用预处理方法进行数据优化。随后，构建一维、二维、三维及混合型四种深度卷积神经网络（CNN）模型，将其作为分类器，基于光谱或高光谱数据实现两类小麦籽粒的鉴别。研究进一步对训练集数据实施数据增强处理，并重新训练所构建的二维、三维及混合型卷积神经网络模型，将验证集上的模型性能与数据增强前的结果展开对比分析。实验结果表明，数据增强处理对二维、三维及混合型卷积神经网络模型的性能提升具有积极作用；所构建的四款模型在轻度发芽与正常小麦籽粒分类任务中均表现优异，在测试集上的分类准确率分别为：一维卷积神经网络模型 96.81%、二维卷积神经网络模型 96.02%、三维卷积神经网络模型 98.40%、混合型卷积神经网络模型 98.12%。研究结论显示，本研究所提出的模型（尤其是分类准确率最高的三维卷积神经网络模型，以及可训练参数最少的混合型卷积神经网络模型）具备良好的应用前景，可作为鉴别发芽与正常小麦籽粒的有效分类工具。
-
亚洲主要产区水稻多稳定同位素和多元素来源可追溯性：2017–2020年长期调查
查看原文
2023
Food Chemistry
中科院一区JCR一区
Liu Zhi, Wei Yuan, Hao Yudi, Liu Wei, Li Bin & Meng Guiyuan
食品标签
大米计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定将稳定同位素与多元素分析技术结合化学计量学方法，构建了适用于我国市场大米产地溯源与真伪鉴别技术体系。在2017—2020年的长期研究中，采集亚洲7个国家8个主产区共计115批次大米样品，测定了5种稳定同位素比值和18种元素含量。采用单因素方差分析（ANOVA）及多种多元建模方法开展产地区分研究。偏最小二乘判别分析（PLS-DA）、线性判别分析（LDA）等有监督多元建模方法，对8个大米产地的鉴别效果显著优于单因素方差分析对比法和无监督分析方法，二者留一法交叉验证准确率分别可达85.0%和90.9%。筛选出δ2H、δ13C、钡、铝、镁、δ34S、铅、δ18O为大米产地溯源的关键特征指标（变量重要性投影VIP＞1或曲线下面积AUC＞0.5）。该联合分析策略有望为保障大米贸易产地真实性、打击虚假标签违规行为提供可靠技术支撑。
-
利用光谱方法与机器学习模型区分饲喂不同水平蚕蛹粉的鹌鹑所产食用蛋
查看原文
2023
Food Control
中科院一区JCR一区
Ilaria Lanza, Sarah Currò, Severino Segato, Lorenzo Serva, Marco Cullere, Paolo Catellani, Luca Fasolato, Daniela Pasotto, & Antonella Dalle Zotte
食品标签
蛋类及其制品 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 分类/鉴别/等级评定 红外/拉曼光谱数据本研究旨在评估可见 / 近红外（VIS/NIR）及近红外（NIR）光谱仪对饲喂不同添加量家蚕（Bombyx mori L.）蛹粉（SWM）的鹌鹑鲜蛋的鉴别能力。试验设置 4 个实验组，产蛋鹌鹑饲喂含 0%、4%、8% 和 12% 家蚕蛹粉的日粮，试验周期为 8 周。试验第 7 周采集 120 枚鹌鹑蛋（每组 30 枚）作为训练集，用于构建基于光谱技术的分类模型；试验结束时采集第二批鹌鹑蛋（48 枚）作为独立测试集，以验证分类模型的可靠性。研究采用一台台式光谱仪与两台便携式光谱仪采集训练集样品的可见 - 近红外及近红外光谱数据，随后通过随机森林（RF）算法进行特征波长筛选。筛选得到的近红外特征波长被用于构建以下监督分类模型：偏最小二乘判别分析（PLS-DA）、K 近邻算法（KNN），以及线性核函数和径向基核函数支持向量机（SVM）。基于筛选出的特征波长构建的随机森林预测模型被用于独立测试集验证，并通过混淆矩阵评估模型可靠性。结果显示，受试可见 / 近红外及近红外光谱仪对鹌鹑蛋饲喂组别的预测能力中等，这可能与各组间家蚕蛹粉添加量差异相对较小有关。将添加量为 4%~12% 的家蚕蛹粉实验组合并后，台式近红外光谱仪与便携式近红外光谱仪结合先进机器学习模型，均成功实现了对日粮中添加昆虫源蛋白的鹌鹑蛋的识别，模型准确率均高于 0.90。相比之下，便携式可见 - 近红外光谱仪的预测性能较差，准确率低于 0.73。具有显著鉴别价值的近红外特征波长集中在 1350~1600 nm 和 1850~2200 nm 光谱区间。从模型准确率来看，K 近邻算法（KNN）和支持向量机（SVM）模型的性能优于偏最小二乘判别分析（PLS-DA）模型。研究结果表明，便携式近红外光谱仪与台式近红外光谱仪的分类准确率相当，凸显了便携式近红外光谱仪在饲喂家蚕蛹粉的产蛋鹌鹑蛋在线监测中的应用潜力。
-
将比色传感器阵列结合可见光近红外光谱法应用于抹茶分类
查看原文
2023
Food Chemistry
中科院一区JCR一区
Qin Ouyang, Yanna Rong, Jiaqi Wu, Zhen Wang, Hao Lin & Quansheng Chen
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据抹茶粉因其极高的健康价值，被视作健康饮食中不可或缺的组成部分。本研究采用可见近红外（Vis-NIR）与比色传感器阵列（CSA）技术对抹茶等级进行鉴别。显色染料与抹茶挥发性成分发生反应，再通过可见近红外光谱采集相关信息，构建可见近红外-比色传感器阵列（Vis-NIR-CSA）检测体系。研究对比了三种线性分类模型与三种非线性分类模型，结果显示反向传播人工神经网络（BPANN）模型的鉴别效果最优，其校正集与预测集鉴别准确率分别达到99%和98%。研究结果表明，该传感器结合反向传播人工神经网络模型可有效应用于不同等级抹茶的等级鉴别。此外，本研究明确了不同等级抹茶挥发性成分的差异，并筛选出八种特征挥发性物质，进一步验证了传感器的鉴别结果。本研究为抹茶生产过程中的品质稳定性把控提供了一种科学且新颖的检测方法。
-
基于BCNO量子点的比率荧光平台与便携设备集成：基于深度学习的高灵敏度次黄嘌呤传感技术用于肉类新鲜度现场评估
查看原文
2023
Chemical Engineering Journal
中科院一区JCR一区
Xinyi Liu, Ziling Li, Ziyu Wang, Xipeng Cui, Wenhao Li, Manman Wang & Yu He
食品标签
肉类/蛋类与水产品 货架期预测与品质劣变动力学 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
目标检测网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据深度学习算法已被应用于数字图像比色法（DIC）以改进颜色测量与分析，实现了分析物的识别与定量检测。本研究首次开发了基于比率荧光探针（RF-probe）和深度学习算法的智能手机辅助平台用于次黄嘌呤（Hx）检测，具有高灵敏度、现场便捷操作和准确检测等优势。通过酶级联反应，黄嘌呤氧化酶（XOD）将Hx降解为尿酸（UA）和H₂O₂，邻苯二胺（OPD）在辣根过氧化物酶（HRP）催化下与H₂O₂反应生成2,3-二氨基吩嗪（DAP）。由于内部过滤效应（IFE），DAP的存在导致BCNO量子点（BCNO QDs）在440 nm处的荧光猝灭，同时DAP在570 nm处荧光增强。随着Hx的加入，荧光颜色由蓝色变为黄色。在3-100 µM浓度范围内，I/I与次黄嘌呤（Hx）浓度呈现良好的线性关系，检测限为50 nM。通过我们设计的微型设备智能手机获取并提取溶液和试纸条的荧光彩色图像，该设备可建立数字图像比色（DIC）方法分别用于0-100 μM和0-40 μM浓度范围的Hx检测。随后采用YOLOv5辅助的深度学习技术进行图像识别与处理，该方法具有更高的准确度、更快的推理速度、更强的灵活性以及更高效的训练优势。因此，我们构建的简易DIC平台实现了实际肉类样品中Hx的现场检测，这对肉类新鲜度分析具有重要意义，并为食品安全领域其他目标物的分析提供了广阔的应用前景。
