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 236 条结果
-
基于近红外光谱结合多尺度深度集成学习的收获前后植物性食品质量评估
查看原文2026
Food Chemistry
中科院一区JCR一区Yu Yang, Yu Zhang, Lanxiang Yu, Pengtao Lv, Yao Qin, Chengxin Cai, Zelong Liu, Dandan Zhai, Peng Li, & Nana Zhang
食品标签
玉米 新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
卷积神经网络 模型设计/优化策略 定量预测/回归分析 红外/拉曼光谱数据在收获前后对植物性食品的内部质量特性进行准确评估,对于成熟度评价和质量分级至关重要。尽管近红外(NIR)光谱学能够提供快速、无损的成分分析,但实际产品由于不同生长和储存环境,化学成分存在显著异质性,而其光谱因泛音带重叠仍高度共线。这种组合掩盖了微小的成分差异,并限制了传统化学计量模型的可靠性。本研究开发了一种多尺度深度集成回归框架(MDER),通过多感受野一维卷积神经网络(1D-CNN)分支和基于注意力的元学习器,将化学信息性变化与冗余光谱相关性区分开来。使用多季节可见-近红外(Vis-NIR)芒果数据集(干物质)和多来源近红外(NIR)玉米籽粒数据集(蛋白质),MDER在测试集上取得了高预测精度(芒果:R² = 0.9352;玉米:R² = 0.9046)。这些结果表明,将MDER与NIR结合为在异质农业条件下进行质量评估提供了一种有效且具有化学意义的方法。
-
用于基于机器学习番茄尺寸分选的压力不敏感柔性弯曲传感器软夹爪
查看原文2026
LWT
中科院一区JCR一区Tianyun Dong, Chengjun Zhang, Hongwei Li, Chaoyue Han, & Jianfeng Ping
食品标签
新鲜水果 过程监测与在线检测计算机标签
随机森林 定量预测/回归分析 时序传感器/物联网数据柔性弯曲传感器能够为机器人番茄分选系统中的软夹爪提供精确检测能力,从而显著提升温和、准确抓取的性能。然而,传统传感器在抓取过程中容易受到接触压力干扰,导致弯曲信号失真并降低分选精度。为解决这一问题,本文提出了一种具有压力不敏感特性的全柔性弯曲传感器。该传感器结合半球形凸起结构与 H 形微通道设计,表现出优异的抗压力干扰能力。实验结果显示,传感器弯曲-压力灵敏度比达到 47.5:1,线性度 R2 = 0.97,响应时间为 144 ms,并具有良好的循环稳定性。研究将该传感器集成到柔性夹爪中,利用随机森林回归模型建立抓取电阻值与番茄尺寸之间的相关关系,实现了高精度尺寸预测。最终,该压力不敏感、高灵敏度柔性弯曲传感器成功应用于机械臂自动分选,为智能农业装备发展提供了重要支持。
-
基于 HS‑SPME‑GC–MS/MS 与电子鼻结合多元数据分析解析不同色泽番茄果肉的香气特征差异
查看原文2026
Food Chemistry: X
中科院一区JCR一区Junrong Xu, Yushi Lu, Jing Cui, Yunzhi Liu, Wenjin Yu & Changxia Li
食品标签
新鲜水果 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
机器学习/统计学习 分类/鉴别/等级评定 组学数据本研究采用顶空-固相微萃取-气相色谱-三重四极杆质谱(HS-SPME-GC–MS/MS)与电子鼻(E-nose)对4种色泽、共16个品种番茄的果肉香气轮廓进行表征。共定性与半定量鉴定出154种挥发性有机化合物(VOCs),包括29种醛类、22种烃类、21种醇类、32种未知化合物及其他物质,其中醛类丰度最高。通过相对气味活度值分析筛选出26种特征VOCs,推测为番茄风味的主要贡献物质。同时探究了电子鼻传感器响应与GC–MS/MS挥发性物质轮廓间的相关性,并构建机器学习模型,显示其在番茄色泽判别方面具有潜在应用价值。最后通过多元数据分析筛选得到16种可指示果实色泽的VOCs。本研究可为番茄风味评价提供参考,并为后续番茄风味改良提供化学基础,相关结论尚需结合感官验证进一步确认。
-
一种用于优化猕猴桃采收时机和采后品质管理的田间部署光谱方法
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Te Ma, Tetsuya Inagaki, Satoru Tsuchikawa, & Hao Jiang
食品标签
新鲜水果 特征风味 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法 显微与成像技术 碳水化合物与糖类计算机标签
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据大量研究聚焦于利用可见-近红外光谱对采后农产品进行实验室品质评价。近年来,可田间部署的解决方案逐渐增多,但果实硬度评估仍具有挑战。硬度与糖含量一样,是影响果实风味和采后货架期的关键因素。本研究设计了一种便携式可见-近红外空间分辨光谱系统,集成三个模块:(1)采用 36 通道光纤阵列,以六个径向距离采集两个猕猴桃品种“翠香”和“瑞玉”各 108 个样本在不同氯吡脲(CPPU)处理下的空间分辨漫反射剖面;(2)使用波长范围为 600-1100 nm、分辨率为 4.5 nm 的低成本高光谱成像相机并结合卤素照明,以缩短光谱采集时间;(3)建立偏最小二乘(PLS)回归分析,并结合竞争性自适应重加权采样技术,优化散射增强的硬度预测和散射抑制的可溶性固形物含量定量。以“翠香”品种进行田间验证显示,该系统具有操作稳健性,硬度预测 R2val = 0.65、RMSEval = 1.23 N,SSC 预测 R2val = 0.65、RMSEval = 1%。相比之下,“瑞玉”的硬度 R2val 和 RMSEval 分别为 0.14 和 2.18 N,SSC 的 R2val 和 RMSEval 分别为 0.39 和 1.45%。这可能是由于“瑞玉”果皮更厚且绒毛更多,干扰了设备的光反射测量。结果表明,接触式空间分辨光谱有潜力用于评估“翠香”猕猴桃成熟度,尤其适用于硬度评价。
-
考虑小样本学习与预测不确定性评估的可见-近红外光谱深度学习方法用于检测柑橘可溶性固形物含量
查看原文2026
LWT
中科院一区JCR一区Tao Jiang, Ting Fang, & Ziwen Zhou
食品标签
新鲜水果 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
其他深度学习结构 小样本学习 定量预测/回归分析 红外/拉曼光谱数据 小规模数据集本研究旨在提出一种用于检测柑橘可溶性固形物含量的可见-近红外光谱深度学习模型,该模型同时考虑小样本学习和预测不确定性评估,命名为 SSL-UncertNet。研究将用于光谱特征增强的离散小波变换模块和用于光谱预测不确定性评估的多头不确定性量化模块,与层次自适应残差网络结合,构建 SSL-UncertNet 模型。基于交叉验证性能的消融实验表明,离散小波变换模块和多头不确定性量化模块均能有效提升可溶性固形物含量预测性能。此外,结合预测不确定性的模型微调策略显著增强了模型在测试集上的泛化能力,测试结果达到 R2 为 0.961、RMSE 为 0.264、MAE 为 0.196。所提出模型的可溶性固形物预测性能优于传统机器学习模型和已有相关研究。总体而言,基于可见-近红外光谱的 SSL-UncertNet 模型为解决柑橘可溶性固形物检测中小样本学习和光谱预测不确定性导致的泛化受限问题提供了有效方案。