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 167 条结果
-
基于可见-近红外光谱和多任务残差一维 CNN 模型的猪肉品质无损同步检测
查看原文2026
LWT
中科院一区JCR一区Wei Ning, Xiaoxiao Zhao, Ruoxin Chen, Xufen Xie, Gongliang Zhang, Jingran Bi, & Hongman Hou
食品标签
畜肉 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据肉类贮藏和加工过程中脂肪与蛋白质的降解和氧化是肉品质量控制与安全评价的重要因素,pH、TVB-N 和 TBARS 是反映这些过程的关键指标。传统光谱检测方法通常需要训练多个独立模型分别预测不同属性,过程复杂且耗时。为评估猪肉品质无损同步检测的可行性,本研究基于可见-近红外光谱建立了多任务残差一维卷积神经网络(MTR-1D-CNN)模型,用于猪肉样品的无损同步检测。研究将 MTR-1D-CNN 与单任务深度学习模型进行比较,包括长短期记忆网络和一维卷积神经网络。MTR-1D-CNN 对三项指标的预测结果显示,各品质指标的 Rp 均大于 0.92,R2p 均超过 0.80,RPD 均超过 2.5,说明该方法具有较高准确性和可靠性。总体而言,本研究实现了猪肉品质指标的无损同步检测,并凸显了多任务深度学习在食品质量监测中的优势和潜在应用,为食品工业高效检测与质量控制提供了新思路。
-
BTPM:基于 B 模式超声图像面向屠宰线分级的背膘厚度自动预测轻量化双分支框架
查看原文2026
Food Control
中科院一区JCR一区Xinmiao Li, Jingxuan Qiu, Caiyun Liu, & Xin Wang
食品标签
畜肉 质构与流变性质 物理辅助加工 显微与成像技术 质构与流变测试计算机标签
图像分割网络 模型可解释性 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据准确、快速测量背膘厚度对于猪胴体客观分级十分重要。本研究提出 BTPM,一种基于 B 模式超声图像自动预测背膘厚度的轻量化深度学习框架。该方法首先利用 U-Net 精确分割背膘区域,随后采用双分支特征提取网络。一个分支使用深度可分离卷积和挤压-激励注意力模块,从分割区域中分层提取具有判别力的纹理特征;另一分支直接从掩膜计算紧凑几何描述符。这些特征融合后通过 MLP 头进行回归,以估计背膘厚度。在专用数据集上的评估显示,BTPM 的 RMSE 为 1.184 mm,MAPE 为 4.37%,R2 为 0.943。模型在最常见背膘厚度范围 T1-T4 内表现稳健且准确,该范围覆盖 81.2% 样本,MAE 为 0.636-0.986 mm。Bland-Altman 分析确认其与人工测量高度一致。关键的是,模型在高准确性的同时实现 117.49 FPS 的高推理速度,显示出实际效率。Grad-CAM 可视化进一步表明,模型关注 B 模式图像中与背膘相关的区域,支持其预测可解释性。结果表明,BTPM 在实验室条件下可为背膘厚度评估提供准确高效的方法,其设计特征也提示其有望用于屠宰线操作,但仍需进一步验证。
-
深度学习增强的多模态数据融合用于预测超声处理猪肉中的凝胶强度和持水性
查看原文2026
Food Control
中科院一区JCR一区Huanhuan Li, Chenhui Li, Xorlali Nunekpeku, Wei Sheng, Wei Zhang, & Selorm Yao-Say Solomon Adade
食品标签
畜肉 质构与流变性质 物理辅助加工 光谱/色谱/质谱等分析方法 显微与成像技术 蛋白质与氨基酸计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据改善猪肉糜凝胶品质仍是肉制品加工行业的重要挑战,会影响产品完整性和消费者满意度。本研究探讨使用超声处理提高猪肉糜凝胶强度和持水性的效果,并基于融合光谱和图像数据建立多模态无损预测模型。研究设置不同超声处理时间,其中 20 min 处理获得最佳凝胶强度 338.2 g × cm 和持水性 77.87%。为理解这些改善背后的理化机制,研究采用拉曼光谱和基于图像的纹理分析。拉曼结果显示蛋白质二级结构发生显著变化,包括展开和重组;凝胶表面的灰度共生矩阵分析表明结构均匀性增强、随机性降低。这些互补特征通过低层数据融合策略整合,并采用极限学习机、支持向量机和卷积神经网络进行建模。基于增强融合数据集训练的 CNN 模型取得最高预测准确率,凝胶强度 Rp 为 0.8954,持水性 Rp 为 0.8887,表明结合化学和空间描述符用于实时质量监测具有潜力。本研究不仅证实了超声改善猪肉凝胶品质的有效性,也提出了用于智能肉品加工和无损质量评估的稳健且可解释框架。
-
一种开源 Python 工作流:通过高光谱图像分析结合机器学习表征食品样品和食品过程
查看原文2026
LWT
中科院一区JCR一区Yendoubouam Lalle, Yuri Kominami, & Arno Germond
食品标签
畜肉 鱼肉 品质、结构与理化性质 加工与新加工技术 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
图像分割网络 偏最小二乘法 缺陷/异物检测与定位 高光谱/多光谱光谱 红外/拉曼光谱数据食品工业需要快速、无损的监测手段,以防止腐败并保证质量。高光谱成像可快速量化大分子成分,但复杂光谱数据缺乏易用处理工具,限制了其应用。为解决这一障碍,本文提出了一个可定制的开源 Python 包,集成数据预处理、分割和机器学习。研究将该端到端工作流应用于两个不同食品过程,使用相对小规模数据集和两个光谱范围,即可见近红外至短波红外。首先,研究在干发酵香肠成熟过程中绘制空间水分损失和色素氧化图谱。其次,研究了一种传统保藏过程,该过程使 Na+ 从海藻转移至鱼肉;考虑到盐渍不足可能导致微生物腐败,研究旨在识别盐对鱼片间接影响的潜在光谱生物标志物。最佳模型以 97.9%(VNIR)和 89.6%(SWIR)的准确率区分盐渍和未盐渍样品,F1 分数分别超过 0.98 和 0.89。此外,PLS 回归模型表现出具有竞争力的预测性能(VNIR 的 R2 为 0.73,SWIR 的 R2 为 0.78),可生成定量的逐像素钠分布图。该适应性工具包通过降低计算门槛并保证 HSI 部署中的方法可重复性,为研究人员和工业应用提供支持。
-
基于PLS-DA、SVM和BP-ANN模型的猪肉饼贮藏期间新鲜度(TVB-N)评价
查看原文2025
Food Control
中科院一区JCR一区Hui Lu, Aiying Song, Ming Li, Xiangqi Yao, Yuling Cai, Longlong Dong, Dacheng Kang & Yunguo Liu
食品标签
畜肉 货架期预测与品质劣变动力学 特征风味 风味组学计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 时序传感器/物联网数据本研究评估了猪肉饼在4°C下不同贮藏时间内的品质和新鲜度。使用电子鼻分析了样品的风味图谱,重点关注传感器对挥发性化合物的响应。应用了包括偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)和反向传播人工神经网络(BP-ANN)在内的机器学习模型来预测新鲜度。挥发性盐基氮(TVB-N)被用作这些模型中的关键指标。结果表明,随着贮藏时间的延长,猪肉饼的品质下降。电子鼻传感器,特别是S4、S6和S14,对挥发性物质表现出很强的敏感性,突出了它们在评估新鲜度方面的相关性。在预测模型中,BP-ANN达到了最高的准确率(94%),其次是SVM(91%)和PLS-DA(89%)。基于性能最佳的BP-ANN模型,测试结果证实该模型预测的TVB-N值与实际值高度吻合,表现出优异的预测准确性。这进一步突显了本研究的实际应用性。这些发现表明,机器学习模型能够可靠地预测猪肉饼的新鲜度,为传统方法提供了一种非破坏性且高效的替代方案,而传统方法通常劳动密集且耗时。