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 122 条结果
-
结合GC-IMS、GC×GC-O-MS和机器学习表征武夷岩茶（水仙）烘焙过程中挥发性化合物的动态变化
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yue Duan, Xing Gao, Bolin Shi, Mingguang Yu, Junaid Raza, Huijuan Sun, Ying Wang, Huanlu Song & Yongquan Xu
食品标签
茶/茶饮料 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
随机森林 分类/鉴别/等级评定 多模态/融合数据了解水仙茶烘焙过程中香气化合物的变化，对于提供科学指导至关重要。本研究采用气相色谱-离子迁移谱（GC-IMS）和二维气相色谱-嗅觉-质谱（GC×GC-O-MS）分别鉴定出100种和183种化合物。结合随机森林算法与相对气味活性值（rOAV），识别出8种关键差异化合物，分别是3-甲基丁醛、（E）-2-辛烯醛、5-甲基糠醛、2-乙基-5-甲基吡嗪、1-糠基吡咯、1-（1H-吡咯-2-基）-乙酮、1-辛烯-3-醇和（Z）-4-庚烯醛。对这些化合物的代谢途径进行分析后发现，它们主要涉及美拉德反应和脂质氧化。本研究不仅为水仙茶的定向加工和质量控制提供了理论支持，还通过整合先进分析技术与机器学习，提出了一种新颖的方法学框架，为研究茶叶烘焙过程中挥发性化合物的动态变化提供了新见解。
-
基于多光谱数据融合策略与化学计量学的日照绿茶产地溯源研究
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Mengqi Guo, Zhiwei Chen, Zezhong Ding, Dewen Wang, Dandan Qi, Min Lu, Mei Wang & Chunwang Dong
食品标签
茶/茶饮料 品质、结构与理化性质 感官评价与方法学 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 多酚与黄酮 咖啡因计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据 质构/流变/感官数据 多模态/融合数据本研究提出了一种将多光谱数据融合策略与化学计量学分析相结合的新方法，用于日照绿茶的产地溯源。研究发现，日照绿茶与中国南方茶叶在感官评分和关键理化成分（儿茶素、咖啡因和氨基酸含量）方面存在显著差异。通过整合近红外和高光谱技术的数据，多元模型（包括偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林（RF）和卷积神经网络（CNN））的预测精度得到了提高。融合数据集的性能优于单一光谱数据集。研究发现，不同地区的茶叶样品存在显著的光谱差异，从而实现了可靠的区分。基于近红外光谱数据的支持向量机（SVM）和随机森林（RF）判别模型均达到了100%的准确率。该方法为绿茶溯源提供了一种可靠且高效的工具，有望在茶叶行业的质量控制和真实性验证中得到应用。
-
基于改进轻量化深度学习模型的高档绿茶杂质检测
查看原文
2025
Food Research International
中科院一区JCR一区
Zezhong Ding, Mei Wang, Bin Hu, Zhiwei Chen & Chunwang Dong
食品标签
茶/茶饮料 食品安全与风险评估 过程监测与在线检测计算机标签
目标检测网络 其他深度学习结构 模型轻量化/边缘计算 分类/鉴别/等级评定茶叶在采摘和加工过程中可能混入杂质，从而降低其品质。目前，高档绿茶中的杂质分选主要依赖人工，效率低下。为应对该行业的技术挑战，本文采用深度学习技术检测高档绿茶中的杂质。然而，在实际生产中，计算资源受设备限制，大型模型不适合部署。在此基础上，提出了一种用于检测高档绿茶杂质的轻量化模型。我们在自制数据集上对YOLOv8模型进行了实验，并选择了基础模型和教师模型。通过替换损失函数和轻量化卷积、模型剪枝以及知识蒸馏，该模型在实现轻量化的同时提升了检测性能。实验结果表明，改进模型的GFLOPs、参数量、精确率(P)、召回率(R)、平均精度均值(mAP)和每秒帧数(FPS)分别为4.2、791966 B、0.9379、0.8959、0.9484和1362.7。与原始模型相比，P、R、mAP和FPS分别提升了0.0216、0.0320、0.0261和368.0。GFLOPs和参数量分别减少了3.9（48.15%）和2214462 B（73.66%）。本研究为高档绿茶的智能杂质分选提供了技术支持。
-
利用电子鼻、HS-GC-IMS和HS-SPME-GC-MS对不同颜色富硒糙米茶中的挥发性有机化合物进行表征
查看原文
2025
LWT
中科院一区JCR一区
Lei Zhou, Wei Zheng, Yong Sui, Zhenzhou Zhu, Shuyi Li, Jianbin Shi, Tian Xiong, Fang Cai, Junren Wen, Zhan Zheng, & Xin Mei
食品标签
大米 茶/茶饮料 颜色与外观品质 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据研究了由富硒的不同颜色水稻品种（黑色、红色和白色）制备的糙米茶（BRT）的挥发性特性。采用包括电子鼻、顶空气相色谱-离子迁移谱（HS-GC-IMS）、顶空固相微萃取-气相色谱-质谱（HS-SPME-GC-MS）和电子舌在内的多维分析方法，对香气和口感进行了全面表征。分析结果显示，醛类、醇类、吡嗪类和呋喃类是三种颜色BRT中占主导地位的挥发性香气化合物。此外，苦味和咸味被确定为主要的口感特征。通过硒富集，潜在刺激性的硫化物和杂环挥发性污染物（包括呋喃）的水平分别明显降低了 32% - 75% 和 8% - 55%。利用 HS-GC-IMS 和 HS-SPME-GC-MS 鉴定的挥发性风味成分，通过主成分分析（PCA）和聚类分析得到了有效区分。通过 ROAV 分析，确定了 21 种 ROAV 超过 1 的香气化合物，以及 9 种 ROAV 大于 50 的物质。此外，利用偏最小二乘判别分析（PLS-DA），成功筛选出 19 种标记的挥发性有机化合物（VOCs），包括 3,5-二乙基-2-甲基吡嗪、2-戊基呋喃、己醛和 1-丁醛。这项综合研究提供了关于富硒彩色糙米茶的风味和口感特征的见解，支持其开发和优化。
-
深度学习和特征重建辅助的可见近红外校准方法，用于康普茶生产过程中关键生长指标的在线监测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Songguang Zhao, Selorm Yao-Say Solomon Adade, Zhen Wang, Tianhui Jiao, Qin Ouyang, Huanhuan Li & Quansheng Chen
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据人工智能（AI）技术正在推动食品行业的数字化与智能化发展。一项极具应用前景的方式是借助深度学习辅助可见-近红外光谱技术，实时监测康普茶生产过程中的残糖含量与细菌浓度，保障产品品质。研究采用四种变量筛选算法提取残糖含量与细菌浓度的特征图谱，再通过串行与并行处理方法完成特征重构。基于重构后的特征，构建并对比了偏最小二乘（PLS）模型与卷积神经网络（一维CNN、二维CNN）模型。实验结果表明，基于重构特征的二维CNN模型表现最优。残糖含量与细菌浓度模型的相对分析误差分别为4.49和6.88，平均绝对误差分别为0.42毫克/毫升和0.04（吸光度）。研究结果表明，该建模策略可有效支撑康普茶生产过程的质量把控，也为光谱分析研究提供了新的思路。
