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 48 条结果
-
利用人工智能推动水稻/小麦功能性食品研发的进展
查看原文
2025
Food Research International
中科院一区JCR一区
Fangye Zeng, Min Zhang, Chung Lim Law & Jiacong Lin
食品标签
小麦 大米 加工与新加工技术 营养与生物功能 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 大语言模型 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据近年来，在全球食品消费增长和消费者对更健康、更安全食品需求增加的驱动下，水稻和小麦功能性食品的研发（R&D）引起了食品研究者的广泛关注。人工智能（AI）通过其解决问题和决策支持的能力，具有提升效率、质量和安全性的潜力。本文全面概述了人工智能相关技术在食品工业中的应用，包括机器学习、大语言模型、计算机视觉和智能传感器。随后，文章探讨了过去五年（2020–2024）人工智能在水稻/小麦功能性食品研发中的具体应用，涵盖关键主题如作物种植与筛选、食品加工、食品质量与安全、挑战与未来展望。人工智能技术的引入引领该领域朝着更高效率、无损分析、更好鲁棒性和更强稳定性的方向发展。在实际应用中，将人工智能技术与各种光谱和传感技术相结合，在解决作物产量低、谷物功能性营养不足、过度加工以及传统检测方法造成的生态污染等关键问题上显示出巨大潜力。然而，人工智能在该领域的应用仍面临一些挑战，包括应用范围窄、数据可用性有限、应用成本高以及与信任相关的问题。展望未来，随着人工智能应用场景和功能的不断拓宽，人工智能有望成为颠覆性技术，从根本上改变水稻/小麦功能性食品研发的格局。
-
基于高光谱预处理、特征筛选和机器学习的不同面筋小麦品种分类
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xinghui Qi, Shaohua Zhang, Liyang Wang, Xuexu Hu, Haiyan Zhang, Wei Feng, Chenyang Wang, Tiancai Guo & Li He
食品标签
小麦 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 K-近邻 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱对不同面筋小麦品种进行分类能够满足多样化的食品需求。为了利用高光谱数据快速对面筋小麦类型进行分类，本研究采用了四种预处理方法，结合两种特征筛选方法和四种机器学习算法。研究结果表明，通过ReliefF提取的特征波长所构建的分类模型，其准确率优于全波长分类模型和最小冗余最大相关性（mRMR）分类模型。连续小波变换（CWT）的分类准确率高于原始反射率、连续去除和一阶导数的分类准确率。四种分类器的性能排序为支持向量机（SVM）＞卷积神经网络（CNN）＞随机森林（RF）＞K近邻（KNN）。ReliefF - CWT - SVM被确定为最优分类模型（总体准确率=94.5%）。所提出的组合方法为对不同面筋类型的小麦品种进行分类提供了理论和技术支持。
-
赋能麦醇溶蛋白检测：用于快速可靠结果的可视编码半定量侧向层析系统
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Wen-Hao Chen, Jill Christiansen Smith, Seaton Smith, Hui-Yin Huang, Chester Yuh-Cherng Chu, Yuen-Yee Choi, Yuyu Chen, Huan-Chi Chang, Chuan-Chih Hsu, & Yu-Cheng Hsiao
食品标签
小麦 食品安全与风险评估 显微与成像技术 标准/法规/数据库分析 蛋白质与氨基酸计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据小麦是全球主粮，但其主要蛋白“麸质”可引发乳糜泻患者严重反应；乳糜泻是一种影响约 1% 人群的自身免疫性疾病，目前唯一治疗方式是终身无麸质饮食。麦醇溶蛋白是麸质中的主要触发成分，由于溶解性低而难以检测，这限制了乳糜泻患者安全外食和选择多样化食品。为解决这一问题，本研究开发了 LEO（Lateral flow Enhanced by Optical imaging）便携式麸质检测系统，将侧向层析检测与基于智能手机的图像分析结合。LEO 采用物联网增强技术，可在 3 min 内给出结果，并以超过 98% 的准确率定量检测麦醇溶蛋白，灵敏度低于 FDA 规定的 20 ppm 阈值。在真实场景试验中，LEO 成功检出标称“无麸质”餐厅菜品中的隐藏麸质。该系统具有快速、准确和易用特点，可支持乳糜泻人群做出更安全的食品选择，并适用于个人、临床、工业和监管场景。
-
利用高光谱成像进行小麦谷物分类：为单粒和批粒级谷物拼接可见光-近红外与短波红外数据
查看原文
2025
Food Control
中科院一区JCR一区
Gözde Özdoğan & Aoife Gowen
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
机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据小麦品种鉴定是官方小麦籽粒检验中确定其品质与贸易价值的关键环节。传统上，小麦类别鉴定依赖于对植株和籽粒外观、历史及地理分布的深入专业知识，因此亟需一种自动化技术来规范小麦品种命名，使种植者和生产者能够便捷、准确地识别其谷物。本研究探讨了可见光-近红外（Vis-NIR）与短波红外（SWIR）光谱成像技术用于小麦类别识别的可行性。实验分别采集了单粒小麦籽粒的腹面（正面）和背面（反面）以及整批（bulk）小麦的高光谱数据，并对垂直与水平方向的数据进行拼接，以比较不同数据组合方式对分类性能的影响。此外，还研究了基于单粒数据构建整批样本分类模型的可行性。光谱数据预处理采用了标准正态变量变换（SNV）、Savitzky-Golay一阶导数（SG-1）和二阶导数（SG-2）。分类算法包括线性判别分析（LDA）、支持向量机（SVM）和人工神经网络（ANN）。同时，采用最小冗余最大相关性（mRMR）算法进行特征选择，以对比数据拼接与特征选择策略在分类性能上的差异。结果表明：腹面（up）数据的分类效果优于背面（down）数据；Vis-NIR波段的分类准确率高于SWIR波段；对于单粒小麦，最佳分类性能由LDA-SNV模型实现，该模型融合了Vis-NIR与SWIR波段的腹面和背面数据，并进行垂直与水平拼接，在10折交叉验证和测试集上的准确率分别达到93.72%和94.93%；基于mRMR筛选出的100个特征所构建的模型，其准确率未超过全拼接数据模型；整批样本的分类性能显著优于单粒样本，在交叉验证和测试集中均达到100%的准确率。本研究表明，光谱成像技术在无损、高效识别小麦类别方面具有巨大潜力，为小麦品质监管和自动化分级提供了可靠的技术路径。
-
使用可见-近红外高光谱成像和机器学习方法估算小麦粉的灰分含量
查看原文
2025
LWT
中科院一区JCR一区
Mohammad Hossein Nargesi, & Kamran Kheiralipour
食品标签
小麦 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
机器学习/统计学习 偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 高光谱/多光谱光谱烘焙产品的质量在很大程度上取决于小麦面粉的质量。灰分含量是面粉提取率的一个关键指标，在评估面粉质量和分类中起着至关重要的作用。传统的面粉灰分测定方法具有破坏性、耗时且需要技术熟练的人员。在本研究中，采用可见-近红外高光谱成像作为一种无损方法来估算小麦面粉的灰分含量。样品由Tufton和Berberd面包的面粉制备，其灰分水平通过标准化学测试测定。获得超立方体后，通过在MATLAB软件中开发算法对其进行处理。使用主成分分析选择的 Taftoon 面粉有效波长为 493.84、652.59、725.35、826.23、872.53、894.85 和 944.46 nm，而 Barbari 面粉的有效波长为 422.73、601.33、746.85、789.84、803.07、896.51 和 941.16 nm。随后使用人工神经网络和偏最小二乘回归建立预测模型。两种模型的性能结果显示，Taftoon 面粉的预测准确率分别为 98.96% 和 97.05%，Barbari 面粉分别为 99.55% 和 92.27%。研究结果还表明，将高光谱成像与机器学习模型结合，可用于面粉灰分含量的准确、快速、无损估测。这一综合方法为食品加工行业的传统质量控制方法提供了一个有前景的替代方案。
