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 339 条结果
-
植物油中化学污染物的安全风险评估与早期预警
查看原文
2021
Food Control
中科院一区JCR一区
Bing Niu, Hui Zhang, Guangya Zhou, Shuwen Zhang, Yunfeng Yang, Xiaojun Deng, & Qin Chen
食品标签
植物油 化学污染物计算机标签
支持向量机 随机森林 深度学习 定量预测/回归分析 文本/知识库/法规数据食用植物油是人们日常饮食中的必需品，其安全问题受到政府与消费者的高度关注。近年来，食用植物油安全事件屡有报道，其中苯并芘、重金属及黄曲霉毒素 B₁等化学性危害物引发的食用植物油安全问题尤为突出。本研究通过膳食暴露评估与暴露限值（MOE）分析，构建风险评估模型，对食用植物油中苯并芘、黄曲霉毒素 B₁及重金属的健康风险进行评估。在此基础上，结合层次分析法（AHP）与反向传播神经网络（BP 神经网络），建立食用植物油安全风险预警模型。该风险预警模型依据国家相关标准及抽样检测数据，确定了八项食用植物油质量安全评价指标，并采用 熵权 - 层次分析法（EW-AHP） 对植物油的化学性污染风险值进行量化计算。研究将八项评价指标数据作为模型输入变量，以综合风险值作为输出变量，开展模型训练工作；同时选取支持向量机（SVM）、随机森林（RF）、径向基函数神经网络（RBF）及反向传播神经网络（BP）四种算法分别构建模型，并对模型性能进行对比分析。研究将食用植物油化学性危害物的日常抽样检测数据，转化为具体的化学性危害风险等级，最终实现对食用植物油中化学性危害风险等级的预测。本研究为食用植物油安全监管工作提供了针对性的参考建议，以期提升监管效率，保障食用植物油的消费安全。
-
基于静态顶空-气相色谱-离子迁移谱和可解释机器学习的长相思葡萄酒质量等级挥发物预测
查看原文
2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Wenyao Zhu, Frank Benkwitz, & Paul A. Kilmartin
食品标签
新鲜水果 酒精饮料 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
深度学习 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据本研究首次将静态顶空-气相色谱-离子迁移谱（SHS-GC-IMS）的分析范围应用于葡萄酒香气分析。研究首先微调方法参数以获得最佳分析结果，并从重复性和再现性方面证明方法稳定性。研究还实现了简明的化合物定性鉴定，识别出若干此前较少在长相思葡萄酒中报道的挥发物，如乙酸甲酯、甲酸乙酯和乙酸戊酯。采用非靶向策略利用 SHS-GC-IMS 数据，并对大数据集进行计算建模，将香气化学通过预测模型与葡萄酒感官质量等级关联。研究比较了 6 种机器学习模型，人工神经网络表现最优，预测准确率达到 95.4%。尽管 ANN 模型具有内在复杂性，但其仍提供了关于影响性挥发物的有价值见解，这些挥发物与较高或较低感官等级具有良好相关性。未来这些发现可用于指导酿酒师建立葡萄酒质量评价，尤其是在装瓶前调配环节。
-
利用傅里叶变换红外光谱-化学计量学和¹H NMR分析检测食用棕榈基食用油中的缩水甘油酯
查看原文
2021
Food Control
中科院一区JCR一区
Kok Ming Goh, M. Maulidiani, R. Rudiyanto, Faridah Abas, Oi Ming Lai, Kar Lin Nyam, Fahad A. Alharthi, Imededdine Arbi Nehdi, & Chin Ping Tan
食品标签
植物油 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
随机森林 深度学习 定量预测/回归分析 红外/拉曼光谱数据缩水甘油酯（GE）是棕榈油精炼过程中产生的一种加工污染物。本研究采用傅里叶变换红外光谱技术（FTIR） 采集 156 份棕榈基食用油样品的光谱数据，并结合化学计量学方法对所得数据进行处理。研究分别构建立方算法（Cubist）、随机森林（RF）、平均神经网络（avNNET）及人工神经网络（nnet） 四种模型，建立光谱数据与缩水甘油酯含量实测值之间的关联关系；随后融合这四种模型，构建出一个共识回归模型。通过气相色谱 - 质谱联用技术（GC-MS）测得的样品中缩水甘油酯含量范围为 1.338~18.362 mg/kg，平均值为 6.880±3.767 mg/kg，中位数为 6.480 mg/kg。本研究以红外光谱数据作为模型输入变量，并利用气相色谱 - 质谱联用技术的实测数据完成模型校正；同时借助核磁共振波谱技术（NMR）验证缩水甘油酯的存在及其结构信息。共识回归模型对缩水甘油酯含量的预测结果显示，决定系数（R2）高达 0.79。各单一模型对共识模型的贡献度（按百分比计）由高到低排序为：立方算法＞随机森林＞平均神经网络＞人工神经网络。此外，研究采用氢核磁共振波谱技术（¹H NMR） 进一步验证了样品中缩水甘油酯的存在。综上，基于傅里叶变换红外光谱 - 化学计量学联用技术与氢核磁共振波谱技术的综合分析方法，可成功实现棕榈基食用油中缩水甘油酯的定量检测与定性确证。
-
基于数字图像处理的食品质量评估综述
查看原文
2021
Trends in Food Science & Technology
中科院一区JCR一区
Maninder Meenu, Chinmay Kurade, Bala Chakravarthy Neelapu, Sahil Kalra, Hosahalli S. Ramaswamy & Yong Yu
食品标签
谷物/块根/豆与坚果类 肉类/蛋类与水产品 水果/蔬菜与菌菇类/植物类 饮料 植物油 品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据背景：近年来，信号处理技术和计算能力的进步增加了计算机视觉技术在农业、食品加工、生物医学和军事等不同应用领域的关注度。特别是在农业和食品加工领域，计算机视觉可以替代大多数用于筛选种子、谷物和食品质量的手动方法。
范围与方法：本研究旨在综述计算机视觉技术在预测各种原材料和食品质量方面的最新进展。本综述重点关注利用数字图像处理（DIP）技术对谷物、蔬菜、水果、饮料、肉类、海鲜和食用油进行的质量测定。多项研究报道了DIP技术在食品特征提取、分类和质量预测方面的成功应用。DIP算法用于从图像中提取显著特征，这些特征进一步作为机器学习（ML）算法的输入，以根据不同标准对食品进行分类。深度学习（DL）算法改进了这些特征提取方法。DL算法可以自动提取特征，从而获得更高的准确性。DL算法需要大量的数据管理和计算资源，这可能是一个主要限制。
主要发现与结论：已有大量文献涉及利用计算机视觉算法进行食品质量评估，但它们缺乏商业化应用。目前尚未为此特定目的开发基于安卓的应用程序。配备质量评估功能的用户友好、低成本、便携式设备将有助于实时快速测量食品质量。 -
利用稳定同位素和元素化学计量学验证进口到中国的婴幼儿配方奶粉和鲜奶的原产地
查看原文
2021
Food Control
中科院一区JCR一区
Xiuwen Zhou, Zhi Yan, Baohui Jin, Yingying Wu, Liqi Xie, Haiquan Chen, Guanghui Lin, Yan Zhao, Karyne M. Rogers, & Hao Wu
食品标签
乳粉 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定中国是全球最大的婴幼儿配方奶粉进口国。然而，婴幼儿配方奶粉的真伪溯源长期以来都是我国面临的一大难题。相较于生鲜乳，婴幼儿配方奶粉的产地溯源难度更大，因其含有多种外源添加剂，而这些添加剂往往无法与特定国家建立关联性。本研究对比分析了 6 个产地（荷兰、瑞士、法国、丹麦、新西兰、中国）的婴幼儿配方奶粉成品粉与生鲜乳的稳定同位素比值（δ¹⁵N、δ¹³C、δ³⁴S、δ²H、δ¹⁸O），以建立不同产地的同位素特征谱。同时，研究还测定了样品中氮、碳、硫元素的含量，进一步提升产地溯源的准确性。研究分别采用 人工神经网络（ANN）与线性判别分析（LDA） 算法，构建进口婴幼儿配方奶粉与生鲜乳的产地溯源模型。总体结果显示：与生鲜乳相比，婴幼儿配方奶粉的 δ¹⁸O、δ²H、δ¹⁵N、δ³⁴S 比值更高，而 δ¹³C 比值更低。其中，婴幼儿配方奶粉的 δ¹⁸O 与 δ²H 比值波动范围大于生鲜乳，这是由于其配方中的添加剂原料未必产自同一国家；而 δ¹⁵N、δ¹³C、δ³⁴S 比值则更偏负，这一现象极有可能源于奶粉中添加了大量非乳源成分（如脂肪、糖类、氨基酸及蛋白质等）。本研究证实，稳定同位素比值结合元素含量的检测方法可实现对进口中国婴幼儿配方奶粉产地的完全判别，基于人工神经网络算法构建的模型判别准确率达 100%。
