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 114 条结果
-
基于三维荧光光谱和机器学习同时测定植物油油炸频率和过氧化值
查看原文
2025
Food Chemistry
中科院一区JCR一区
Huihui Yang, Yutang Wang, Bei Fan, Qing Chen, Meifeng Wu, Fengzhong Wang & Long Li
食品标签
植物油 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
偏最小二乘法 随机森林 K-近邻 定量预测/回归分析 红外/拉曼光谱数据油炸烹饪方式存在多种健康隐患，检测煎炸用油的品质至关重要。本研究采用三维荧光光谱技术，对不同煎炸时长下植物油的过氧化值进行检测分析。研究将三种特征预处理技术与三种机器学习算法相结合，用于预测油脂的煎炸次数与过氧化值。在煎炸次数预测方面，大豆油以SG-RF模型效果最优，花生油和玉米油则以SG-PLS模型表现最佳，对应的决定系数Rp²分别为0.98、0.98和0.97。在过氧化值定量检测方面，大豆煎炸油最优模型为归一化-kNN，花生煎炸油最优模型为SG-RF，玉米煎炸油最佳组合为归一化-RF，对应的决定系数Rp²依次为0.87、0.89和0.93。该快速检测方法可实现煎炸油安全隐患的早期筛查，避免变质油脂投入使用，从而保障消费者身体健康。
-
利用拉曼光谱结合深度学习模型，定量测定棕榈油在热氧化过程中的酸价
查看原文
2025
Food Chemistry
中科院一区JCR一区
Shuxin Liang, Guoqing Chen, Chaoqun Ma, Chun Zhu, Lei Li, Hui Gao & Taiqun Yang
食品标签
植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 循环神经网络 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据精准监测酸值（AV）对食用油质量控制至关重要，但传统化学计量学方法在处理复杂光谱数据时往往存在局限性。本研究将拉曼光谱技术与卷积神经网络（CNN）、长短期记忆网络（LSTM）、Transformer等深度学习模型相结合，探究其在棕榈油热氧化过程中提升酸值定量检测精度与效率的应用潜力。研究结果表明，三种深度学习模型的预测精度均优于传统化学计量学方法；其中CNN-LSTM模型表现最优，预测决定系数（Rp²）达0.9978，预测均方误差（RMSEP）为0.0015，剩余预测偏差（RPD）为21.21。该方法验证了拉曼光谱结合深度学习技术用于酸值精准监测的有效性，后续可通过更多种类指标数据集进一步验证其适用性，也为食用油质量管控提供了全新的技术参考。
-
结合拉曼光谱和模型预测定量分析混合橄榄油中的beta-胡萝卜素和不饱和脂肪酸
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yulong Chen, Zhihan Yang, Shan Zeng, Hui Tian, Qingzhou Cheng, Zihan Li & Yang Li
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸 花青素与类胡萝卜素计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据调和植物油因口感适宜、营养成分均衡，被视作市场上极具价值的产品。对其成分含量进行定量检测，对于保障食品安全、维护消费者权益具有重要意义。因此，亟需建立一种快速、无损的检测方法用于分析调和油的组分构成。本研究构建了一种结合拉曼光谱与预测模型的分析方法，用以测定混合油脂中的橄榄油含量。研究采用竞争性自适应重加权采样法，筛选出与β-胡萝卜素及不饱和脂肪酸相关的特征谱带；运用多种模型计算油脂混合比例，并通过灰色关联分析法评估特征峰强度对预测结果的影响程度。结果表明，随机森林模型在定量分析中表现最优，均方根误差为0.0447，决定系数达0.9799。综上，该方法可有效鉴别调和橄榄油，在食品真伪溯源领域具备良好的应用潜力。
-
仙人掌籽油中的掺假检测：整合分析化学与机器学习方法
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Said El Harkaoui, Cristina Ortiz Cruz, Aaron Roggenland, Micha Schneider, Sascha Rohn, Stephan Drusch & Bertrand Matthäus
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 其他理化与结构表征 数值仿真 脂质与脂肪酸计算机标签
随机森林 图神经网络 分类/鉴别/等级评定 质构/流变/感官数据出于经济动机的掺假行为既威胁消费者权益，又损害市场诚信，对于仙人掌籽油（CO）这类高价值冷榨油而言，情况尤为如此。本研究提出了一种机器学习模型，该模型整合了分析测量、数据模拟和分类技术，用于检测仙人掌籽油中是否掺入了精炼葵花籽油（SO），并在无需测量大量不同混合物的情况下确定掺假的可检测限值。首先，采用高效液相色谱法（HPLC）或气相色谱法（GC）对纯仙人掌籽油和纯葵花籽油样品的脂肪酸、三酰甘油及生育酚含量进行了分析。所得的油脂成分数据为后续的模拟工作奠定了基础。在模拟真实油脂成分方面，蒙特卡洛（MC）模拟的表现优于条件表格生成对抗网络（CTGAN），与CTGAN相比，MC模拟得出的 kullback - Leibler 散度值更低。随后，利用MC模拟数据生成更大的数据集，这是训练和测试随机森林（RF）与神经网络（NN）这两种分类模型的关键步骤，因为样本量较小时无法实现稳健的模型训练。两种模型均取得了良好的分类准确率，其中随机森林的准确率高于神经网络，在模拟数据集上达到94%，在真实样品上达到90%，且可检测到的最低掺假水平仅为1%。与神经网络相比，随机森林还具有更好的可解释性，计算需求也更低，这使其在本研究的真实性验证中更具优势。因此，本研究提出将MC模拟与随机森林相结合，作为检测仙人掌籽油掺假的一种稳健方法。该方法采用Python编写，作为开源代码提供，为结合新数据进行持续优化提供了灵活的框架。
-
使用表面增强拉曼光谱结合深度学习模型对花生油中黄曲霉毒素B1进行快速无标记检测
查看原文
2025
LWT
中科院一区JCR一区
Dingding Wang, Tanvir Ahmad, Shaimaa A. Khalid, Ahmed S. Abo Dena, & Yang Liu
食品标签
植物油 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 循环神经网络 支持向量机 随机森林 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据本研究提出了一种用于快速、无标记且高灵敏度检测花生油中黄曲霉毒素B1（AFB1）的新方法，该方法结合了表面增强拉曼光谱（SERS）和深度学习模型。合成了银包覆金纳米颗粒（Au@Ag NPs）作为SERS基底。采用共焦拉曼光谱仪获取加标AFB1的花生油样品的拉曼光谱。随后，对收集到的SERS光谱数据进行了增强和预处理，以提高回归模型的泛化能力。共开发了六种回归模型，包括偏最小二乘回归（PLSR）、支持向量回归（SVR）、随机森林回归（RFR）、卷积神经网络（CNN）、长短期记忆网络（LSTM）以及结合CNN-LSTM的模型。结果显示，CNN-LSTM 模型能够有效捕捉复杂的非线性关系，减少对参数调整的依赖，并最小化过拟合。它还能够有效处理大规模数据集，降低计算负担。CNN-LSTM 模型在预测性能方面表现出色，决定系数 (R² P) = 0.9892，预测均方根误差 (RMSEP) = 0.2104，性能偏差比 (RPD) = 6.8723，同时灵敏度极佳 (LOD = 0.31 μg/kg)。这些结果表明，该方法能够在花生油中实现快速、无标记、高效的 AFB 1 检测，并具有显著的实时监测应用潜力。
