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 364 条结果
-
用于颗粒食品近红外分析的简单散射描述符框架:以阿拉比卡咖啡品种分类为例
查看原文2026
Food Control
中科院一区JCR一区Krzysztof B. Beć, Justyna Grabska, Vanessa Moll, & Christian W. Huck
食品标签
茶/茶饮料 咖啡饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 标准/法规/数据库分析计算机标签
支持向量机 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 合成/仿真数据为主表面散射是颗粒食品近红外分析中的主要混杂因素。在烘焙咖啡粉中,非均匀散射会掩盖品种差异。常规做法通过扩展散射校正或多元散射校正等基于参照的多项式投影消除散射,但在异质基质中该方法对阶次敏感,并可能去除与分析物相关的方差。本文改为显式编码散射信息,计算每条光谱的多项式斜率、曲率和三次基线系数,并将其作为描述符加入增强矩阵中训练模型。研究使用来自 25 个批次、覆盖 7 个阿拉比卡品种的 300 条漫反射 FT-NIR 光谱(10000-4000 cm-1)。该策略提高了测试集真实性鉴别效果:线性判别分析准确率由 70.8% 提高到 83.3%,线性支持向量机由 63.9% 提高到 84.7%,二次判别分析保持较高水平(88.9%)。该方法将散射视为信息而非盲目消除对象,提供了一种可解释、易实施的散射感知方案,也适用于可可、茶叶、香辛料等其他颗粒状和微结构食品。
-
支持向量回归优化红铆钉菇多糖的超声辅助碱提取:提高得率并保持螺旋构象
查看原文2026
Ultrasonics Sonochemistry
中科院一区JCR一区Xiaorong Zhang, Yufan Zeng, Jiehan Zhang, Weiye Duan, Xinhua Ao, Huizhu Wang, & Shuai Chen
食品标签
食用菌菇 物理辅助加工 过程优化与控制策略 品质、结构与理化性质 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 响应面分析与多因素优化 碳水化合物与糖类计算机标签
支持向量机 定量预测/回归分析红铆钉菇(Chroogomphus rutilus)多糖具有良好的潜在生物活性,但传统碱提取通常存在得率较低和结构受损的问题。本研究建立了一种经支持向量回归优化的超声辅助碱提取工艺,旨在提高多糖得率并保持其构象完整性。与二次响应面模型相比,支持向量回归表现出更高的预测准确性和稳健性,测试集R²由0.8751提高至0.9027,均方根误差降低11.7%。该模型的残差分布更集中,并在高得率区域(>17%)表现出更好的稳定性,说明其适用于非线性、多变量生物加工过程的优化。最优工艺条件为:超声温度56.5 ℃、超声时间35 min、浸泡时间138 min、液固比26 mL/g、氢氧化钠浓度0.55 mol/L以及超声功率325 W。在此条件下,多糖得率达到20.09±0.10%,较传统碱提取提高53.7%。高效凝胶渗透色谱显示,超声辅助碱提取所得多糖含有两个主要分子量组分,分别为7.54×10⁵ Da和1.32×10⁴ Da;传统碱提取产物则呈三峰分布,并以分子量为1.43×10³ Da的低分子组分为主。光谱、显微和热分析结果表明,与传统碱提取相比,超声辅助碱提取能够更好地保持有序螺旋构象并提高结构稳定性。优化条件下获得的多糖还表现出更强的抗氧化活性,包括ABTS自由基和羟自由基清除能力。将声空化、碱处理与支持向量回归建模相结合,可为保留生物活性构象的高品质真菌多糖提供高效、数据驱动且具有可持续性的生产策略。
-
高光谱成像、化学计量学、特征选择和机器学习,用于快速、无损检测和量化研磨和速溶阿拉比卡咖啡中的罗布斯塔掺假
查看原文2026
Food Control
中科院一区JCR一区Derick Malavi, Katleen Raes, & Sam Van Haute
食品标签
咖啡饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
深度学习 支持向量机 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据由于光谱特征重叠和基质复杂性增加,检测咖啡掺杂,特别是速溶咖啡中的掺杂仍然具有挑战性。本研究评估了近红外高光谱成像( NIR-HSI ,900-1700 nm )与化学计量和机器学习相结合,用于地面和速溶咖啡中罗布斯塔掺假的分类(认证)和回归(定量)。分析工作流程包括光谱预处理( MSC ,SNV ,Savitzky-Golay导数) ,基于PCA的降维以及使用Boruta和遗传算法递归特征消除( GA-RFE )的特征选择。t-SNE应用于探索性可视化,而类不平衡则使用成本敏感学习和合成少数过采样技术( SMOTE )来解决。使用SNV或MSC进行预处理,然后进行二阶导数,不断提高分类准确性,而特征选择提高了计算效率,而不会影响二进制分类器的准确性。分类模型,包括LDA、k-NN、SVM、随机森林、单层MLP、堆叠集成和类加权算法( logistic回归、ranger、类加权SVM ) ,实现了较高的外部测试性能,平衡精度超过98% ,多个预处理模型组合实现了完美的判别。对于回归,堆叠集成模型在研磨咖啡中表现最佳( RMSEP = 5.14 % ,RPD > 3.0 ) ,而惩罚回归( Ridge )实现了速溶咖啡的最低预测误差( RMSEP = 7.39 % ,RPD = 3.95 )。总体而言,结果表明,NIR-HSI与适当的预处理和建模策略相结合,为筛选咖啡中的掺假提供了一个强大的、无损的框架。
-
基于多通道光谱传感器的仪器作为预测咖啡烘焙度的 Agtron 替代方案,使用经典化学计量学和机器学习方法
查看原文2026
Food Chemistry
中科院一区JCR一区Diang Sagita, Sutrisno Suro Mardjan, Slamet Widodo, Suparlan, & Pradeka Brilyan Purwandoko
食品标签
咖啡饮料 传统热加工 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
机器学习/统计学习 偏最小二乘法 支持向量机 随机森林 定量预测/回归分析 时序传感器/物联网数据 红外/拉曼光谱数据本研究开发了一种新的替代 Agtron 检测系统,使用低成本多通道光谱传感器(410 - 940 nm)结合经典和现代化学计量回归方法,并将选定的模型实现于嵌入式系统中,从而产生便携、经济且适用于现场的设备。从不同产地的阿拉比卡和罗布斯塔样品在不同烘焙程度下收集光谱数据。建模采用定量化学计量学方法,从经典(多元线性回归-MLR和偏最小二乘回归-PLSR)到现代,包括三种机器学习(ML)算法(随机森林-RF、支持向量回归-SVR、人工神经网络-ANN)。所有方法和场景都具有较高的预测精度(R²_v 0.983 - 0.994,RMSEV < 4.7,RPD > 7.7),即使只使用50%的选定波长。此外,所选模型已成功嵌入到独立的微控制器设备中,并提供了可靠的结果(R² 0.965 - 0.967,RMSE < 3),即使在对来自不同咖啡类型(利比里卡和埃克塞尔萨)的新样本进行测试时也是如此。
-
利用拉曼光谱结合机器学习检测牛奶中非蛋白氮掺假物
查看原文2026
Food Control
中科院一区JCR一区Zahra Poursorkh, Natalia Solomatova, Hooman Tavakolizadeh, Calum Cole, Sadegh Shokatian, & Edward Grant
食品标签
液态乳 食品安全与风险评估 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 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 红外/拉曼光谱数据非蛋白氮化合物掺入牛奶会虚增表观蛋白含量,并带来食品安全风险。本研究构建了拉曼光谱结合机器学习的分析框架,用于检测和定量牛奶中的硫酸铵、三聚氰胺和尿素。研究制备了 200-800 ppm 范围内的单一掺假物和多组分掺假物牛奶样品,并采用非对称最小二乘基线校正、标准正态变量归一化和 Savitzky-Golay 平滑进行光谱预处理。分类阶段使用 UMAP 结合 K 近邻模型,纯牛奶与掺假牛奶二分类准确率为 96%,牛奶、硫酸铵、三聚氰胺和尿素四分类准确率为 93%。定量阶段比较了 PLSR、SVR、GPR、随机森林、GBM 和 XGBoost 模型,其中 SVR 表现最佳,对硫酸铵、三聚氰胺和尿素的 R2 分别为 0.98、0.96 和 0.97,RMSE 分别为 27.4、30.4 和 27.4 ppm。结果表明,拉曼光谱结合机器学习可用于乳品掺假的快速、无损筛查。