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 130 条结果
-
基于MSA Transformer算法优化的玉米籽粒破碎率定量检测方法
查看原文
2026
Food Research International
中科院一区JCR一区
Yongkun Qiao, Mengmeng Qiao, Chenlong Fan, Tao Cui, Ying Liu, Caiyuan Zhang, Mingyou Sun & Yuhao Wu
食品标签
玉米 颜色与外观品质 过程监测与在线检测 显微与成像技术计算机标签
其他深度学习结构 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 缺陷/异物检测与定位 可见光/RGB/视频数据机械化收获过程中的玉米籽粒破碎率直接影响食品质量和经济回报。然而，目前的定性检测方法无法准确评估玉米籽粒破碎率。本研究提出了一种基于机器视觉和深度学习算法的玉米籽粒破碎率定量检测模型。从籽粒图像中总共提取了27个特征，包括几何、形状、颜色和纹理特征。此外，通过集成多尺度特征融合和注意力机制，开发了一种改进的基于Transformer的深度学习模型——MSA Transformer。该模型使用并行分支进行多粒度特征提取，通过全局和局部注意力增强显著信息，并应用全局平均池化以提高效率。与其他模型相比，MSA Transformer在分类实验中达到了98.03%的分类准确率，优于标准Transformer 2%。平均精确率、召回率和F1分数分别达到99.13%、98.03%和97.87%。在质量回归任务中，完整和破碎籽粒预测的相关系数(r)分别达到0.9507和0.9653；决定系数(R2)分别达到0.9038和0.9318，均方根误差(RMSE)均低于0.0141。定量检测模型预测的破碎率与实际测量值高度吻合，R2为0.9887，相对误差约为6%。特征重要性分析强调了颜色和纹理特征在分类中的主导作用，以及几何特征在质量预测中的主导作用。本研究为食品质量的在线定量评估提供了理论基础。
-
一种消除香榧果壳干扰、提升香榧籽内部缺陷近红外检测精度的新型光谱校正方法
查看原文
2026
Food Research International
中科院一区JCR一区
Jiajun Zan, Binyan Hou, Yuan Du, Yu Hu, Lili Son, Jiasheng Wu & Tong Sun
食品标签
豆类与坚果（及籽类） 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
支持向量机 随机森林 梯度提升决策树 其他深度学习结构 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据香榧果壳产生的光谱干扰会显著影响带壳香榧内部缺陷的检测，降低检测精度。针对该问题，本文提出一种结合全连接神经网络（FNN）与高斯滤波（GS）的近红外光谱校正方法，以消除果壳光谱干扰，提升黑仁缺陷检测精度。对比研究了直接校正法（DS）、分段直接校正法（PDS）以及所提FNN-GS方法的校正效果，并采用随机森林（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）构建检测模型。结果表明，DS与PDS校正效果有限，模型性能无显著提升甚至有所下降；而FNN-GS方法校正效果更优，分类精度显著提高。在预测集上，RF与SVM模型的准确率、灵敏度和特异度均达到100%；XGBoost与LightGBM模型准确率为95.83%，特异度为100%，灵敏度为91.67%。与未校正原始光谱构建的模型相比，RF和SVM模型的灵敏度分别提升16.67%和19.44%，准确率分别提升8.33%和9.72%；与仅采用果仁光谱构建的模型相比，RF和SVM模型在准确率与灵敏度上均更具优势。所提校正方法可有效去除果壳相关光谱干扰，增强缺陷相关光谱特征，实现黑仁缺陷的高精度无损检测，为利用近红外光谱技术开展其他坚果类果品内部品质检测提供参考。
-
PVKK-Stacking：一种基于光谱数据多样性和元特征优化的铁观音茶掺假分析新型堆叠方法
查看原文
2026
Food Control
中科院一区JCR一区
Zile Fang, Yaoming Kang, Zhuolin Han, Yushan Liu, Jiayi Han, Jiachun Zhuang, Qinglin Chen, & Zhigang Zhao
食品标签
茶/茶饮料 食品安全与风险评估 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
特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据茶叶掺假检测是食品安全监管中的重要挑战，尤其对乌龙茶而言，不同品种间理化性质相似，传统鉴别方法存在局限。光谱技术具有无损、准确和高效等特点，可为该问题提供有效解决方案。然而，掺假成分的复杂性和多样性使传统基于光谱分析的单一模型通常存在预测精度有限、跨品种泛化能力不足的问题，难以适应不同掺假场景。为解决这一技术瓶颈，本文提出一种新的 PVKK-Stacking 方法。该方法结合多种光谱预处理和变量选择方法，为基模型生成多样化光谱数据，从而为堆叠集成学习提供互补信息。此外，通过 K-means 聚类对基模型进行剪枝，并使用 KPLSR 元模型进行集成。研究以经典乌龙茶铁观音为对象，使用另外四种高度相似的乌龙茶品种制备掺假样品。实验结果表明，PVKK-Stacking 相比对比的单模型和集成方法取得一定改进，并表现出优异稳定性和可靠的跨品种泛化能力。作为一种集成学习方法，PVKK-Stacking 还经过优化以降低预测时间。该方法为乌龙茶掺假检测提供了可靠方案，对保障茶叶质量与安全具有实际价值。
-
融合高光谱成像揭示冻融诱导的鸡肉品质及肌原纤维蛋白功能劣变
查看原文
2026
Food Research International
中科院一区JCR一区
Yuqing Liu, Xiaojie Yu, Rongxin Wen, Fei Chen, Zunwu Zhou, Chengfeng Sun & Qianqian Yu
食品标签
禽肉 冷藏与冷冻保藏 氧化、褐变等化学变化 常规理化指标测定 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 蛋白质与氨基酸 脂质与脂肪酸计算机标签
偏最小二乘法 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 高光谱/多光谱光谱 质构/流变/感官数据 多模态/融合数据本研究探究了反复冻融循环对鸡胸肉品质特性、肌原纤维蛋白结构、乳化特性及凝胶特性的影响。此外，利用高光谱成像技术对经历冻融循环的鸡胸肉进行分类，结果表明，冻融循环显著降低了鸡胸肉的持水性，并加剧了脂质与蛋白质氧化。研究证实，二酪氨酸含量、内源荧光强度及表面疏水性存在显著差异（P＜0.05），表明冻融循环导致肌原纤维蛋白发生结构改变。通过乳化稳定性指数与乳化活性指数证实肌原纤维蛋白乳化特性下降，并进一步通过乳化液滴逐步聚集及储存稳定性降低得以验证。质构特性分析及肌原纤维蛋白凝胶分子间作用力测定也证实凝胶特性下降。高光谱成像通过随机蛙算法筛选出49个特征波长以构建分类模型，其中1175.9 nm、1351.5 nm、1179.5 nm及962.3 nm波长表现出最高的选择率。此外，这些波长与水分重分布、脂质氧化及蛋白质变性具有强相关性，表明其可作为冻融循环诱导品质变化的判别标志物。主成分分析-线性判别分析与线性判别分析模型均实现了优异的判别效果，分类准确率均超过0.90。该研究结果为冻融肉类的无损检测提供了理论依据。
-
基于多源数据融合与机器学习的地理标志稻米多尺度产地判别：以盘锦大米为例
查看原文
2026
Food Research International
中科院一区JCR一区
Qin Wang, Yangyang Lu, Changyan Zhou, Xiaobei Li, Xujiao Li, Zhiyong Zhao, Xiangwei He, Xiaoyan Zhao & Yanmei Zhang
食品标签
大米 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他理化与结构表征 代谢组学计算机标签
主成分分析/判别分析 智能手机/其他 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 组学数据 多模态/融合数据欺诈事件频发使得地理标志（GI）大米的产地溯源认证难度加大。本研究以盘锦大米（获中国与欧盟双重认可的地理标志产品）为研究对象，构建了融合稳定同位素分析、近红外光谱（NIRS）、矿物元素图谱、代谢组学与机器学习的多尺度溯源模型。在省际尺度上，基于近红外光谱的模型展现出优异的判别性能，经适宜光谱预处理后，线性判别分析（LDA）准确率最高，达88.5%。在辽宁省内的省内地市尺度，稳定同位素与近红外光谱模型均表现出色，基于线性判别分析的模型分类准确率可达100.0%。然而，仅依靠稳定同位素分析或近红外光谱，难以实现盘锦市市域内的产地判别。通过中层数据融合引入矿物元素与代谢组学特征，成功实现了市域尺度的可靠溯源，多种分类器准确率均达到100.0%。研究结果表明，构建灵活多元、多技术融合的数据驱动策略，是实现不同空间尺度下高精度产地溯源认证的必要途径。
