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 130 条结果
-
基于化学计量学分析和数据融合策略筛选用于鉴别淡水和海水养殖鲑科鱼类的特征变量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Ziyang Zheng, Cui Han, Xuan Dong, Yangeng Zhou, Xiangli Tian, Qinfeng Zhao & Li Li
食品标签
鱼肉 光谱/色谱/质谱等分析方法计算机标签
支持向量机 特征工程与选择策略 分类/鉴别/等级评定 多模态/融合数据 小规模数据集选择能够区分淡水养殖和海水养殖鲑科鱼类的特征变量，对于建立可靠的溯源方法至关重要。本研究中，鲑科鱼类在三种不同的盐度变化模式下养殖了94天。对它们的稳定同位素、元素和磷脂脂肪酸进行了表征。不同变量对盐度变化表现出不同的敏感性。通过各种数据融合策略对这些数据进行整合，创建了五个数据集，分别包含40、12、12、9和7个变量。将这五个数据集与支持向量机（SVM）、随机森林（RF）、线性判别分析（LDA）和正交偏最小二乘判别分析（OPLS-DA）相结合，对来自不同养殖方式的86条鲑科鱼类进行区分。使用SVM和数据集IV获得了100%的满意判别率。该数据集包含的9个变量（δ2H、δ18O、Sr、C18:0、ΣSFA、C20:3n3、C22:6n3、C18:2n6和ΣPUFA）是区分淡水养殖和海水养殖鲑科鱼类的潜在指标。
-
使用近红外光谱的SELECT-OLS校准模型在各种植物油中进行稳健脂肪酸定量：跨羟基酪醇补充和深度油炸条件的统一方法
查看原文
2025
LWT
中科院一区JCR一区
Taha Mehany, José M. González-Sáiz, & Consuelo Pizarro
食品标签
植物油 品质、结构与理化性质 传统热加工 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据本研究旨在开发一种统一、可靠且具有成本效益的模型，用于量化食用油中的脂肪酸，以改善营养标签和热氧化稳定性。利用近红外光谱（NIRS）结合多变量校准，创建了简化光谱回归模型，以识别各种油中的关键脂肪酸标志物，包括特级初榨橄榄油（EVOO）、初榨橄榄油（VOO）、精炼橄榄油（ROO）、橄榄渣油以及向日葵油。对油脂在油炸前后、添加或未添加羟基酪醇（HTyr）的情况下进行了分析。通过变量逐步去相关（SELECT）方法改善了七种脂肪酸的回归模型：肉豆蔻酸、棕榈酸、棕榈油酸、硬脂酸、油酸、亚油酸和木蜡酸，相关系数（R）达到0.96-0.99。SELECT-普通最小二乘（OLS）回归提供了高度预测性的模型，使用了700个波长中的最多30个，所选的预测变量从5个（针对亚油酸）到30个（针对硬脂酸）不等，显示了对各种光谱模式的适应性。这些模型能够在不同的油炸条件下（170 - 210 °C/3 - 6小时）实时定量分析特级初榨橄榄油（EVOO）、初榨橄榄油（VOO）、精炼橄榄油（ROO）和葵花籽油，包括添加HTyr和未添加HTyr的样品。经过优化变量选择的近红外光谱法（NIRS）简化了分析过程并降低了成本，可替代气相色谱，实现无需样品制备的直接分析。模型表现出强大的预测性能，留一法（LOO）解释的方差高达85.81% - 98.16%，确认近红外光谱法是一种可行、快速、无损、环保的食用油定量分析方法。
-
通过波长选择和数据增强利用可见/近红外光谱提高非破坏性鸡肉新鲜度预测的效果
查看原文
2025
LWT
中科院一区JCR一区
Hyun-Jun Kim, Jiwon Ryu, Ghiseok Kim, & Cheorun Jo
食品标签
禽肉 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据本研究旨在利用滴液的可见光/近红外（Vis/NIR）光谱开发一种鸡肉质量的无损预测模型。鸡肉经过真空包装，并在4℃下冷藏13天。对滴液样品进行了代谢物和Vis/NIR光谱分析。通过16S rRNA评估了储存期间微生物组成的变化。识别出主要细菌，包括肉食细菌（Carnobacterium）、乳酸链球菌（Lactococcus）和希尔氏菌（Serratia），它们促成了代谢物的变化，如尸胺、腐胺和酪胺的增加，以及肌苷单磷酸、酪氨酸和尿苷单磷酸（UMP）的减少。通过偏最小二乘回归（PLSR）开发了预测模型，并通过VIP-PLSR的波长选择和光谱增强（包括偏移、多元正态采样（MVN）和扩展多元信号增强（EMSA））来提高性能。为六种代谢物确定了最优模型，每种模型均通过波长选择或增强方法展现出有效性。VIP-PLSR模型在尸胺（R² = 0.79）、腐胺（R² = 0.77）和酪胺（R² = 0.73）方面表现出最高的预测性能，而使用MVN方法的光谱增强在UMP（R² = 0.82）方面取得了最高性能。波长选择与光谱增强的组合在醋酸盐和酪氨酸方面提供了更优的结果，EMS A方法（R² = 0.64）和MVN方法（R² = 0.88）分别表现最佳。因此，波长选择和光谱增强能够提升模型的预测性能。
-
基于可解释机器学习的库尔勒香梨脆度评价：高采样率下的仪器化力学-声学同步测定
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Xiaoming Mo, Jiaping Wang, Youfang Yu, He Li, Mingcan Zhai, Wancheng Dong, Zhihua Zha & Jie Wu
食品标签
新鲜水果 质构与流变性质 质构与流变测试 其他理化与结构表征计算机标签
梯度提升决策树 模型可解释性 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据脆度是果实质地评价的关键指标，它与果实的新鲜度和消费者偏好直接相关。在本研究中，一种新的仪器方法被应用于以51200 Hz的高采样率同步采集“易产生噪声”的库尔勒香梨在穿刺过程中的力学-声学信号。将力学-声学的锯齿状分析谱在数据层面进行融合，以模拟人类的感知行为。从融合信号中提取了3类共26个特征，用于建立4种机器学习模型。在这4种模型中，极端梯度提升（XGBoost）模型在脆度预测方面表现出了优越的性能。此外，还采用沙普利可加解释（SHAP）分析对XGBoost模型进行了解释。随后，选取了14个具有正向影响结果的特征来改进模型。该可解释模型的RP²值达到0.92，RMSEP为0.32，RPD为3.66，具有更高的准确性、稳定性和可靠性。因此，采用高采样率同步采集、数据层面融合策略以及正向特征选择能够显著提升梨的脆度预测性能。我们提出的方法可应用于其他果蔬的仪器化脆度测量。
-
近红外与拉曼光谱融合机器学习策略：南美白对虾新鲜度的非破坏性快速评估与TVB-N值预测
查看原文
2025
Food Research International
中科院一区JCR一区
Zhenxing Tian, Yanyan Wu, Ya Wei, Yongqiang Zhao, Chuang Pan & Yueqi Wang
食品标签
甲壳类 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据总挥发性盐基氮（TVB-N）是虾新鲜度的关键指标。然而，传统的检测方法繁琐、耗时且具有破坏性。本文提出了一种基于近红外（NIR）和拉曼光谱的快速、非破坏性方法，用于评估南美白对虾（Litopenaeus vannamei）的TVB-N含量。本研究基于三种机器学习方法（卷积神经网络、极限学习机和反向传播神经网络），结合低层和中层数据融合策略，构建了TVB-N含量预测模型。经过Savitzky-Golay平滑预处理后，采用SPA特征提取的近红外模型（预测决定系数R²p = 0.864）优于采用GA特征提取的拉曼模型（R²p = 0.784），两者分别是各自光谱的最优特征级预测模型。此外，中层数据融合策略与极限学习机模型的结合实现了最佳的预测性能，其R²p和预测均方根误差分别为0.986和0.677 mg/100 g。同时，经特征选择算法优化的特征级融合模型的R²值均超过0.96。这些结果证明了近红外与拉曼光谱在利用便携式仪器对虾进行非破坏性实时新鲜度监测方面的互补优势。
