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 39 条结果
-
食品宏基因组学与多组学及人工智能的整合:功能洞察、微生物组工程与可持续食品保存的预测性生物加工
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Atif Khurshid Wani, Showkeen Muzamil Bashir, Noureddine Elboughdiri, Karim Kriaa, Chemseddine Maatki, Bilel Hadrich, Jaskaran Singh, & Reena Singh
食品标签
保藏与贮藏 肠道健康与微生物相关功能 基因组学 微生物组/宏基因组学计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据背景:宏基因组学的进展已经彻底改变了对食品相关微生物群的理解,揭示了它们在发酵、腐败和保存过程中的分类多样性和功能能力。基因组解析的宏基因组学和多组学整合现在能够实现复杂微生物生态系统的功能重建,发现新的代谢途径、抗菌生物合成基因簇和应激适应性特征。微生物组工程和合成共生体设计正逐渐成为可持续的生物控制策略,可以减少对化学防腐剂的依赖并促进食品系统的生态平衡。范畴和方法:本综述综合了宏基因组探索和多组学整合的最新进展,以描绘食品生态系统中的微生物动态。它考察了元基因组组装基因组(MAGs)、功能注释和混合长读测序如何增强对微生物演替、腐败机制和发酵过程的理解。该综述还强调了合成微生物群落、基于CRISPR的调控以及人工智能驱动的数字孪生作为精准发酵和预测性食品生物加工的变革性工具的兴起。主要发现和结论:元基因组和多组学技术通过将微生物功能与生态系统表现联系起来,正在重新定义食品生物控制。基因组挖掘揭示了大量具有天然防护潜力的细菌素、内溶菌酶和群体感应抑制酶库。整合组学提供了微生物相互作用的系统级视角,使得预测性、适应性和循环型生物加工成为可能。因此,微生物组工程作为一种可行的、生态高效的合成添加剂替代方案应运而生,推动从经验发酵向智能、微生物组定制的食品系统过渡。组学、合成生物学与人工智能的融合标志着智能、可持续和精准引导的食品保存新时代的到来。
-
利用机器学习算法深入研究低盐川式香肠在茶多酚/β-环糊精/食盐包合物处理和电子束照射下的氧化机制
查看原文2026
Food Chemistry
中科院一区JCR一区Ya Liu, Jiuhong Du, Wenyi Ran, Lihui Huang, Wenyue Yu, Huan Guo, Yue Xiao, Yanping Wu, Kai Zhong, Yina Huang, & Hong Gao
食品标签
畜肉 非热加工技术 保藏与贮藏 货架期预测与品质劣变动力学 氧化、褐变等化学变化 特征风味 抗氧化/抗炎等功能 常规理化指标测定 光谱/色谱/质谱等分析方法 多酚与黄酮 盐替代品与其他代谢敏感因子计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 质构/流变/感官数据低盐香肠由于高盐摄入带来的健康风险而越来越受欢迎。在本研究中,探讨了在不同剂量(0、3、6 kGy)电子束照射(EBI)与茶多酚/β-环糊精/氯化钠包合物(ICs)联合处理下,低盐四川风味香肠在室温储存(25℃)期间的质量变化。此外,采用了机器学习算法,SVM和Extra Tree模型的准确率和R²均超过99.9%,突出了关键氧化生物标志物,以建立氧化机制。ICs展现出增强的抗氧化性能,有效抑制了3 kGy EBI加速的香肠过度氧化,从而减少形成异味的氧化产物,同时保留了来自香料、胡椒油和微生物代谢的理想风味化合物。这些发现为利用 ICs 和 3 kGy 电子束辐照 (EBI) 来保存低盐四川风味香肠提供了新的见解,同时提供了关于检测香肠氧化水平的潜在挥发性生物标志物的有价值信息。
-
通过分子感官科学和模拟实验解析储存条件对炸花椒(Zanthoxylum bungeanum Maxim.)油储存过程中异味生成的影响
查看原文2026
Food Chemistry
中科院一区JCR一区Tianyu Dong, Shuwei Wang, Panpan Wu, Jie Sun, Haitao Chen, & Shuqi Wang
食品标签
植物油 香精香料 保藏与贮藏 货架期预测与品质劣变动力学 氧化、褐变等化学变化 特征风味 光谱/色谱/质谱等分析方法 统计建模与仿真 脂质与脂肪酸 其他植物化学物质计算机标签
偏最小二乘法 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据 质构/流变/感官数据作为一种常用的调味品,辣椒油(FPO)为烹饪带来了便利。然而,在储存过程中,它容易产生陈腐的异味。因此,本研究的目的是利用分子感官科学探讨异味化合物的形成途径。在不同储存条件下,采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)鉴定了92种挥发性化合物。FPO的异味主要来源于醛类和酸类。通过正交偏最小二乘法判别分析(OPLS-DA),确定了24种化合物作为区分不同储存条件下FPO的差异性标志化合物。基于建模实验和同位素追踪,柠檬烯、芳樟醇和亚油酸被确认为异味化合物的主要生成物。随机森林是筛选新鲜和储存FPO的最佳模型。已经确定7种挥发性有机化合物(VOCs)作为影响FPO风味质量的关键因素。这些结果为FPO异味的调控提供了理论指导。
-
一种用于果蔬品质预测的通用科学机器学习框架
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Xuezhen Guo, Charlotte J. Harbers, Hannelore E.J.M. Heuer, Qianxixi Min, Ying Liu, Ernst J. Woltering, Leo F.M. Marcelis, & Ruud G.M. van der Sman
食品标签
新鲜蔬菜 品质、结构与理化性质 保藏与贮藏计算机标签
深度学习 智能手机/其他 定量预测/回归分析 小规模数据集准确预测果蔬采后品质是供应链管理和消费者满意度中的关键挑战。传统知识驱动动力学模型具有良好可解释性,但通常难以纳入多样的预贮藏和环境因素,尤其不便于缺乏动力学建模经验的用户使用。相比之下,纯数据驱动方法(如神经网络)需要大量数据,且难以利用领域知识提升数据效率。本研究提出一种科学机器学习(SciML)概念框架,将领域知识与数据驱动神经网络相结合,为果蔬品质预测提供混合建模方法。框架中包含一棵决策树,可根据数据集特征、先验知识可用性和预测目标指导模型选择。作为概念验证,研究首先使用合成生成的品质衰减数据开展实验,证明将动力学知识直接嵌入神经网络可提升预测准确性和时间外推能力。随后,一个预测温室番茄整体视觉品质的真实案例进一步证实了知识-数据混合整合的优势。总体而言,本研究表明 SciML 提供了兼顾数据驱动灵活性和知识驱动可解释性的第三类建模选择。SciML 并非用于替代传统方法,而是丰富研究人员和实践者用于果蔬品质建模以及更广泛食品品质预测的工具箱。选择和应用合适的 SciML 模型仍需人类判断,以在有限数据下的预测准确性、知识嵌入带来的外推能力、计算效率和可解释性之间取得有效平衡。
-
基于高光谱成像和可解释 AI 的可信芒果品质无损预测
查看原文2026
Food Control
中科院一区JCR一区Haizhen Ding, Jingyuan Zhao, Wensi Wang, Rui Ding, Yonghuan Yun, Yande Liu, Kang Tu, Weijie Lan, & Leiqing Pan
食品标签
新鲜水果 颜色与外观品质 保藏与贮藏 显微与成像技术 传统统计分析与回归 碳水化合物与糖类计算机标签
支持向量机 随机森林 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据芒果属于呼吸跃变型水果,因贮藏不当每年会产生大量损失。本研究将可解释人工智能与高光谱成像结合,用于高效判别和可视化芒果成熟度及关键内部品质属性,包括可溶性固形物、滴定酸和硬度。结果表明,在果皮出现明显变色之前,内部属性已经发生显著变化,因此仅依赖外观评估成熟度并不可靠。研究根据贮藏期间的品质变化将芒果分为三个成熟阶段,结合 SNV 预处理的支持向量机分类模型可实现 100% 的阶段判别准确率。对于内部属性预测,使用原始光谱的随机森林模型表现最佳,硬度、SSC 和 TA 的 Rp2、RMSEP 和 RPD 分别为 0.946、2.515、4.311;0.793、0.609、2.209;0.825、0.172、2.411。XAI 进一步识别出 940-960 nm 和 1697-1784 nm 区域对所有属性预测均具有关键重要性,强调糖中 C-H 键、水中 O-H 键以及 TA 中羧基的重要作用。基于最优预测模型生成的内部属性可视化图能够有效捕捉不同成熟阶段和果实区域中属性分布的空间差异。这些发现表明,高光谱成像有助于评估芒果内部状态,而 XAI 可提高化学计量模型的透明度和可靠性,从而帮助向消费者提供更高品质产品。