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
-
埃洛石纳米管 / 黑磷烯纳米杂化物修饰丝网印刷碳电极构建超便携电化学传感平台，结合机器学习实现基于智能手机的抑芽丹检测
查看原文
2023
Food Chemistry
中科院一区JCR一区
Yu Ge, Minghui Li, Ying Zhong, Lulu Xu, Xinyu Lu, Jiaqi Hu, Quanming Peng, Ling Bai & Yangping Wen
食品标签
化学污染物 其他理化与结构表征计算机标签
支持向量机 智能手机/其他 其他深度学习结构 定量预测/回归分析 时序传感器/物联网数据借助机器学习（ML）技术，采用银纳米颗粒（AgNPs）改性稳定的黑磷烯（BP）对埃洛石纳米管（HNT）进行修饰，制备出高导电纳米复合材料HNT/BP-AgNPs，并对其开展形貌表征与元素分析研究。采用人工神经网络（ANN）与最小二乘支持向量机（LS-SVM）实现马来酰肼（MH）的智能化快速检测分析。基于HNT/BP-AgNPs修饰丝网印刷碳电极（SPCE）、智能手机及掌上微型恒电位仪构建超便携式电化学传感器，用于检测马来酰肼，其线性检测范围为0.7~55微摩尔每升，检出限（LOD）为0.3微摩尔每升。作为对照，以玻碳电极（GCE）、台式计算机及大型电化学恒电位仪制备传统电化学传感器，线性检测范围为0.3~600微摩尔每升，检出限低至0.1微摩尔每升。将该结合机器学习的超便携式电化学传感器应用于红薯和胡萝卜中马来酰肼的检测，加标回收率结果令人满意。
-
近红外光谱结合A-CARS-PLS测定玉米蛋白质含量
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
Xiaohong Wu, Shupeng Zeng, Haijun Fu, Bin Wu, Haoxiang Zhou & Chunxia Dai
食品标签
玉米 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
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据为了快速、准确地测定玉米中的蛋白质含量，本文提出了一种新的特征波长选择算法——锚定竞争自适应重加权采样(A-CARS)。该方法首先利用蒙特卡洛协同区间偏最小二乘法(MC-siPLS)筛选出特征变量所在的子区间，然后使用竞争自适应重加权采样(CARS)对这些变量进行进一步筛选。将A-CARS-PLS与6种方法进行了比较，包括3种特征变量选择方法(GA-PLS、Random frog-PLS和CARS-PLS)和2种区间偏最小二乘法(siPLS和MWPLS)。结果表明，A-CARS-PLS方法显著优于其他方法：校正集的结果为RMSECV = 0.0336，R_c² = 0.9951；预测集的结果为RMSEP = 0.0688，R_p² = 0.9820。此外，A-CARS将原始的700维变量减少至23个变量。结果表明，A-CARS-PLS优于某些波长选择方法，在玉米蛋白质含量无损检测方面具有巨大的应用潜力。
-
用于菠萝质量监测的创新无损技术：最新进展与应用
查看原文
2023
Trends in Food Science & Technology
中科院一区JCR一区
Mainunah Mohd Ali, Norhashila Hashim, Siti Khairumiza Bejo, Mahirah Jahari & Nurul Agilah Shahabudin
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析背景：菠萝是重要的热带水果，是矿物质的重要来源，具有优良的营养成分。菠萝的质量评估是影响消费者偏好、采后处理和果实商业价值的重要因素。
范围与方法：本综述介绍了菠萝的外部与内部质量属性，并讨论了用于评估菠萝质量属性的化学计量学与数据挖掘的应用。在此意义上，无损技术因其提供了一种更安全、更可靠、成本效益高且不损伤果实的质量评估方式而受到关注。
主要发现与结论：本文重点关注新兴的无损技术，并全面综述了这些技术的应用。基于光谱的技术、计算机视觉、基于成像的技术、声学、超声波以及基于仪器的传感技术是创新的无损技术，可作为传统方法的有效替代方案，用于监测菠萝质量。文中还讨论了使用无损技术进行菠萝质量评估所面临的挑战与未来趋势。 -
整合高光谱成像、非靶向代谢组学与机器学习预测自然及人工老化甜玉米种子活力
查看原文
2023
Food Control
中科院一区JCR一区
Tingting Zhang, Long Lu, Ni Yang, Ian D. Fisk, Wensong Wei, Li Wang, Jing Li, Qun Sun, & Rensen Zeng
食品标签
玉米 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
偏最小二乘法 支持向量机 定量预测/回归分析 高光谱/多光谱光谱 时序传感器/物联网数据明确并预测甜玉米种子的贮藏稳定性，对实现高效的供应链管理至关重要。然而，种子活力预测能力高度依赖人工加速老化（AA）试验数据，而该试验结果往往无法直接适用于自然老化（NA）种子。本研究整合高光谱成像技术（HSI）与非靶向代谢组学技术（液相色谱 - 质谱联用技术，LC-MS/MS），结合偏最小二乘回归法（PLS-R）、支持向量机回归法（SVM-R）及正交偏最小二乘判别分析（OPLS-DA），基于人工加速老化种子的数据集，构建自然老化种子活力衰减的预测模型。研究首先明确了人工加速老化与自然老化种子的光谱变化模式存在差异。随后，分别利用全波段光谱数据，以及通过回归系数法筛选得到的有效特征波长（EWs）数据，构建基于人工加速老化的种子活力预测模型。采用独立的人工加速老化种子数据集与自然老化种子数据集，分别对模型进行外部验证。结果显示，模型对人工加速老化种子的活力预测效果良好（决定系数 R 2≥0.814），但对自然老化种子的预测精度较低（R 2≤0.696）。代谢组学分析鉴定出 54 种差异代谢物，其中大部分为氨基酸、二肽及其衍生物，这些物质是反映人工加速老化与自然老化种子老化机制差异的重要标志物。研究进一步发现，与 N-H 键相关的光谱波段可能是影响模型实用性的干扰因素。剔除该类相关特征波长后，基于人工加速老化的预测模型对自然老化种子的预测性能显著提升：“绿色超人” 品种的验证集决定系数（R v−22）由 0.696 提升至 0.720，“中天 300” 品种的验证集决定系数由 0.668 提升至 0.727。综上，本研究证实，整合高光谱成像、液相色谱 - 质谱联用技术与机器学习方法，是实现贮藏甜玉米种子活力无损监测与预测的有效技术方案。
-
利用机器学习量化多种作物原料的技术功能特性
查看原文
2023
Current Research in Food Science
中科院一区JCR一区
Anouk Lie-Piang, Jos Hageman, Iris Vreenegoor, Kai Van Der Kolk, Suzan De Leeuw, Albert Van Der Padt & Remko Boom
食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 质构与流变测试 其他理化与结构表征计算机标签
随机森林 智能手机/其他 定量预测/回归分析 质构/流变/感官数据精制程度低的食品原料由多种成分组成。因此，食品的配方制定必须基于技术功能特性而非成分。我们评估了对多种作物混合原料而非单一作物原料的技术功能特性进行量化的潜力。所量化的特性包括黄豌豆和羽扇豆种子原料的凝胶性、黏度、乳液稳定性和发泡能力。我们使用样条回归、随机森林和神经网络对这些关系进行了量化。根据模型的准确性和模型预测的物理可行性来挑选合适的模型。对于每种技术功能特性，都可以建立一个用于量化两种作物原料特性的单一模型，尽管与基于单一作物的模型相比，其预测误差会更大。对每个数据集中的观测数量进行分析后发现，对于某些特性，观测数量可以减少。
