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
-
智能手机视频成像:一种多功能、低成本的食品认证技术
查看原文2025
Food Chemistry
中科院一区JCR一区Weiran Song, Hui Wang & Yong-Huan Yun
食品标签
食用花卉 品质、结构与理化性质计算机标签
卷积神经网络 图像分割网络 分类/鉴别/等级评定 可见光/RGB/视频数据本研究提出一种基于智能手机的低成本成像技术——智能手机视频成像技术(SVI),可对经变色屏幕照明的样本进行短视频采集。借助人工智能技术,该研究拓展了智能手机视频成像技术的应用能力,使其成为与高光谱成像(HSI)一样功能多样的成像技术。智能手机视频成像技术可实现成分异质样本的分类、分析物含量的空间表征,以及从视频中重建高光谱图像。将该技术与残差神经网络结合后,其在人参分类任务中的表现优于传统计算机视觉方法。此外,该技术能够有效绘制藏红花粉末混合物纯度的空间分布,预测性能与高光谱成像技术相当。同时,智能手机视频成像技术结合U-Net深度学习模块,可生成与高光谱成像采集的目标图像高度相近的高质量图像。研究结果表明,智能手机视频成像技术可作为面向普通消费者的食品真伪鉴别解决方案。
-
ATR-FTIR光谱结合代谢组学分析不同干燥温度下白牛肝菌的呈味成分
查看原文2025
Food Chemistry: X
中科院一区JCR一区Guangmei Deng, Honggao Liu, Jieqing Li & Yuanzhong Wang
食品标签
食用菌菇 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸计算机标签
偏最小二乘法 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 组学数据 质构/流变/感官数据白牛肝菌具有独特的风味特征,其品质与代谢物相关。本文采用超高效液相色谱-串联质谱(UPLC-MS/MS)对不同干燥温度下白牛肝菌的游离氨基酸和有机酸进行表征。利用衰减全反射傅里叶变换红外(ATR-FTIR)光谱对不同处理的白牛肝菌进行鉴别并预测化合物。代谢组包括72种氨基酸和64种有机酸,其中分析了11种重要风味成分随干燥温度的变化。残差卷积神经网络(ResNet)模型对不同处理的白牛肝菌的识别准确率达到100%。偏最小二乘回归(PLSR)模型能准确预测11种化合物的含量,最优决定系数(R²)为0.975,最佳残差预测偏差(RPD)为4.404。ATR-FTIR光谱结合代谢组学可作为评估白牛肝菌风味增强物质的良好工具。
-
高光谱成像结合通用混合深度网络用于跨品种猕猴桃早期冷害识别
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Sunli Cong, Jun Sun, Le Shi, Chunxia Dai, Xiaohong Wu, Bing Zhang & Kunshan Yao
食品标签
新鲜水果 其他品质相关性质 显微与成像技术计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱构建准确的模型对于将高光谱成像(HSI)应用于识别水果等农产品的早期病害至关重要。冷害是猕猴桃的一种生理病害,在其发展到严重阶段之前,用肉眼很难识别。然而,不同品种的水果具有不同的理化性质和光谱特征,这导致为一个品种建立的模型无法应用于另一个品种,而重新构建模型则需要大量的时间和精力。鉴于此,本研究探讨了应用高光谱成像跨品种识别猕猴桃早期冷害的可行性。研究开发了一种通用的CNN-DotGRU-SelfAttention混合深度网络(CDGSA-Net),用于特征提取、特征多样性捕捉和特征增强,以建立具有高准确性和泛化能力的识别模型。最后,提出采用鹈鹕优化算法(POA)来优化CDGSA-Net的超参数,以提高效率。POA-CDGSA-Net模型的性能优于其他机器学习(ML)和深度学习(DL)模型,在测试集上的准确率(acc)、精确率(prec)、召回率(rec)、特异度(spec)和F1值分别达到99.17%、99.17%、99.26%、99.79%和99.20%。因此,高光谱成像结合POA-CDGSA-Net为跨品种识别猕猴桃早期冷害提供了一种可行的方法。
-
基于深度学习的多模融合技术,利用高光谱成像和近红外光谱预测辣椒酱的质量
查看原文2025
Food Chemistry
中科院一区JCR一区Mengmeng Li, Lifei Lai, Jinjing Yuan, Yusheng Xu, Xinyu Li, Haixia Zhang, Qi Zhu, Min Xu, Yuan Liu & Wenwu Ding
食品标签
其他酱腌/发酵食品 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据 多模态/融合数据 中等规模数据集基于深度学习的智能多模态系统被开发出来,通过融合从高光谱成像(HSI)获得的高光谱图像中提取的色彩特征、HSI和近红外光谱学的光谱特征以及物理化学指标,实现无损性评估辣椒酱的质量。在五种预处理方法中,乘法散射校正在数据预处理方面表现最佳。在三种特征提取方法中,无信息变量消除在识别与色值、辣椒素、二氢辣椒素和挥发物显著相关的波长方面表现最佳。在特征级融合之后,采用混合增强技术将数据集从160个样本扩展到800个,以缓解深度学习中的过拟合问题。卷积神经网络-长短期记忆混合模型在所有质量参数(测试集R)中表现出优异的预测性能2= 0.9554–0.9826)在六个预测模型中。本研究建立了首个无损且快速检测辣椒酱发酵的框架,为智能实时质量监测提供了技术支持。
-
通过深度学习辅助的FTIR指纹图谱对牛肝菌的鉴定和粗蛋白预测
查看原文2024
LWT
中科院一区JCR一区Chuanmao Zheng, Honggao Liu, Jieqing Li, & Yuanzhong Wang
食品标签
食用菌菇 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
卷积神经网络 循环神经网络 偏最小二乘法 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据野生食用蘑菇是天然、绿色和可持续的食品,其采后安全和质量控制的关键在于物种识别、产地可追溯性和质量评估。本研究分析了基于傅里叶变换红外光谱(FTIR)和二维相关光谱(2DCOS)的残差卷积神经网络(ResNet)模型与偏最小二乘判别分析(PLS-DA)模型在牛肝菌物种及产地识别上的有效性。同时探讨了偏最小二乘回归(PLSR)模型和长短期记忆网络(LSTM)模型对牛肝菌粗蛋白含量预测的可行性。结果显示,ResNet模型优于PLS-DA模型,新样品的预测结果分别为1.00和0.98,预测准确率分别为1.00和0.92。在估算粗蛋白含量方面,LSTM模型比PLSR模型更有效。其中,使用一阶导数-多重散射校正-萨维茨基-戈莱(1D-MSC-SG)预处理组合的LSTM模型是最佳的,预测集RPD = 2.7,显著性 Sig. = 0.418。此外,顺序投影算法(SPA)特征提取提高了LSTM模型的预测能力,其残差预测偏差(RPD)为2.9,显著性 Sig. = 0.627。本研究为市场上食用菌及其他食品的质量评价提供了新的参考。