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 48 条结果
-
融合中红外与近红外光谱并通过多变量分析测定不同小麦品种中的总酚和总黄酮含量
查看原文2026
Food Control
中科院一区JCR一区Muhammad Zareef, Muhammad Arslan, Waqas Ahmad, Md Mehedi Hassan, Muhammad Naveed, Malik Muhammad Hashim, Sadaf Javaria, & Quansheng Chen
食品标签
小麦 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
偏最小二乘法 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据本研究聚焦于基于中红外和近红外光谱数据定量测定总酚含量和总黄酮含量。研究采用低层融合和中层融合策略,并结合偏最小二乘模型,以提高统计性能参数。评价 TPC 和 TFC 的 PLS 回归模型时,使用预测相关系数、预测均方根误差和剩余预测偏差等指标。对于 TPC,NIR-MIR 中层融合模型获得最佳结果,Rpred 为 0.8998,RMSEP 为 8.82 mg GAAC/100 g,RPD 为 2.20。对于 TFC,NIR-MIR 低层融合模型表现最佳,Rpred 为 0.9086,RMSEP 为 2.28 mg/100 g,RPD 为 2.35。与单一传感器模型相比,NIR-MIR 低层融合和中层融合模型在小麦粉 TPC 和 TFC 含量预测方面表现更优。结果表明,所提出的融合策略能够成功提高预测精度。
-
利用机器学习和深度迁移学习融合高光谱与RGB数据估算小麦蛋白质和面团流变学特性
查看原文2026
Current Research in Food Science
中科院一区JCR一区Shaohua Zhang, Qianya Cheng, Tiantian Wang, Changjun Dai, Jichun Tian, Wei Feng, Chenyang Wang, Tiancai Guo, & Li He
食品标签
小麦 品质、结构与理化性质 质构与流变性质 显微与成像技术 常规理化指标测定 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 梯度提升决策树 迁移学习/领域自适应 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱 可见光/RGB/视频数据 质构/流变/感官数据快速、无损估算小麦蛋白质特性和面团流变学特征,对于保障加工品质、食品安全和品种分类具有重要意义。本研究建立了一个融合高光谱和红绿蓝(RGB)数据的多源遥感框架。研究提取小波特征(WFs)和颜色指数(CIs),并采用Pearson相关分析结合连续投影算法—方差膨胀因子法(SPA-VIF)进行特征选择,随后使用偏最小二乘回归(PLSR)、极端梯度提升(XGBoost)和基于注意力机制的多任务学习模型(MTL-AM)预测小麦蛋白质及流变学性状。结果表明,小波特征与RGB图像的融合显著提高了模型预测精度,XGBoost和MTL-AM的估算性能显著优于PLSR。为进一步提高粉质仪质量数(FQN)的估算精度,组合式MTL-AM—XGBoost模型取得了最高精度,其R²为0.982、RMSE为8.975、MAE为7.087、RPD为6.077。本研究为小麦功能品质的无损、高通量监测提供了一种有效的技术方案。
-
利用便携式近红外光谱传感器预测烘焙面包中的丙烯酰胺水平
查看原文2026
Food Control
中科院一区JCR一区Sonia Nieto-Ortega, Idoia Olabarrieta, Alejandro Barranco, Goretty Trujillo, Xabier Izquierdo, Esther Sanmartín, & Hugo Cunha-Silva
食品标签
小麦 面包 化学污染物 传统热加工 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据本研究旨在利用便携式近红外光谱传感器测定不同类型烘焙面包中的丙烯酰胺水平。研究分析了两类常见面包样品,包括乡村式面包(n = 121)和全麦面包(n = 128)。样品使用手持式近红外光谱仪(MicroNIR Onsite)扫描,并通过液相色谱-质谱法测定丙烯酰胺含量。针对每类面包,研究分别建立主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)模型,以欧盟委员会设定的基准水平 50 μg/kg 为参考,根据丙烯酰胺水平对样品进行分类。PCA 结果显示,两类面包样品均可按丙烯酰胺含量形成聚类,且 980、1200 和 1450 nm 附近的光谱贡献与水、淀粉、蛋白质和氨基酸相关。乡村式面包的 PLS-DA 模型在验证中达到 89% 准确率,全麦面包模型达到 99%;灵敏度和特异性均稳定超过 88%,表明该方法能可靠区分低于和高于欧盟基准水平的样品。结果说明,便携式 NIR 传感器结合多变量分析可作为烘焙产品中丙烯酰胺现场无损快速筛查工具。本研究首次证明,便携式 NIR 传感可按照官方欧盟基准阈值对烘焙小麦面包中的丙烯酰胺水平进行分类,显示其在工业实时监测中的应用潜力。
-
便携式近红外光谱和单类建模用于荞麦粉真实性鉴别
查看原文2026
Food Control
中科院一区JCR一区P.E.T. Firmo, M.F. Pimentel, & C.F. Pereira
食品标签
小麦 杂粮 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据荞麦是一种不含麸质的假谷物,食品工业常用荞麦粉替代小麦、大麦和黑麦等含麸质谷物粉。由于荞麦粉市场价值较高,容易受到以降低成本为目的的掺假;若掺入含麸质原料,还会给乳糜泻消费者带来风险。本研究开发了无需试剂的便携式近红外光谱策略,用于荞麦粉真实性鉴别。研究将 35 种不同品种荞麦粉分别掺入小麦粉、大麦粉和黑麦粉,掺假浓度为 2.5%-40%(w/w)。分类方法采用软独立建模分类法、数据驱动 SIMCA 和单类偏最小二乘。其中,DD-SIMCA 在区分真实样品和掺假样品方面达到 100% 效率。此外,研究还建立包含三种掺假物的全局 PLSR 模型,用于预测样品掺假水平。表现最佳的 PLSR 模型采用 SNV 预处理,掺假含量预测决定系数 R2pred 为 0.92,预测均方根误差为 3.61%(w/w)。这些结果表明,便携式近红外设备可有效保障荞麦粉真实性,并量化荞麦粉中的掺假水平。
-
利用近红外数据的层级多分类建模揭示青香蕉粉复杂掺假场景
查看原文2026
Food Control
中科院一区JCR一区Marcio Felipe Oliveira, Diego B. Batista, Tainara Ferreira Soares, Cristiane Assumpção Henriques, Aderval S. Luna, & Licarion Pinto
食品标签
小麦 玉米 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集青香蕉粉等粉末食品容易被低价面粉经济性掺假。本研究提出一种基于近红外光谱的三步层级化学计量策略,用于检测、分类和定量青香蕉粉掺假。研究在实验室制备真实青香蕉粉,并以燕麦粉、小麦粉和玉米粉作为建模掺假物按不同比例混合,同时将玉米淀粉作为未建模外部掺假物用于验证。近红外数据集包含 345 条光谱,包括真实样品、建模掺假样品和玉米淀粉掺假样品。第一步比较一类模型和多分类模型用于异常检测,第二步识别已知掺假物类型,第三步利用 PLS 校准模型定量掺假水平。多分类和层级模型分类准确率超过 95%,GA-LDA 对建模掺假物类型识别达到 100% 准确率,PLS 定量的定量限约为 0.7%-1.2%。该方法为粉末食品复杂欺诈场景提供了可扩展、无损的检测框架。