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 393 条结果
-
Janus结构的GOx-Fe/cu纳米酶用于广谱葡萄糖检测和牛奶分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Jiajie Xu, Yuhang Huang, Jiayu Xu, Siyu Hu, Xiangyang Tan, Liangchong Yu, Taolei Sun, & Guanbin Gao
食品标签
液态乳 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据葡萄糖氧化酶（GOx）在温度和pH变化下不稳定，限制了其在生物传感中的应用。现有基于纳米酶的葡萄糖传感器存在检测范围窄（0.2 - 12.0 mM）且稳定性差的问题。在此，通过一锅自组装方法合成了一种Janus结构的GOx-Fe/Cu纳米酶，其中Fe₁₋ₓS和部分覆盖在Cu₃(PO₄)₂纳米花上的GOx。该纳米酶实现了超宽的葡萄糖检测范围（0.5 - 20 mM，检测限 = 34.18 μM），比现有纳米酶宽40倍，并提高了稳定性（在pH 3条件下7小时后和60°C条件下5小时后仍保留>80%的活性）及高特异性。当将其集成到壳聚糖/琼脂糖水凝胶中时，可通过基于智能手机的便携检测实现葡萄糖的可视化定量。在牛奶样品中，它显示出可靠的葡萄糖和 H₂O₂ 检测，回收率为 95% - 121%，相对标准偏差（RSD）为 0.31% - 8.26%，展示了实际应用的可行性。这种 Janus 结构的 GOx-Fe/Cu 纳米酶提高了 GOx 的稳定性和检测性能，而水凝胶平台实现了食品化学中葡萄糖和过氧化氢的便携式检测。
-
构建一个深度学习辅助的智能手机应用，用于烹饪过程中牛排熟度的智能识别
查看原文
2026
Meat Science
中科院一区JCR一区
Han Wang, Yuandong Lin, & Jun-Hu Cheng
食品标签
畜肉 质构与流变性质 传统热加工 显微与成像技术 常规理化指标测定计算机标签
卷积神经网络 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集在烹饪过程中识别牛排的熟度对消费者来说具有挑战性。本研究构建了一个基于深度学习的烹饪过程中非破坏性牛排熟度评估框架。此外，整合了理化特性以确保熟度处理方法和数据库的可靠性，从而提高模型的准确性和说服力。在此基础上，创建了包括1803张图像和153个样本的理化特性的可靠数据库。这些数据库分别来自601块和51块不同的牛排。在比较了涵盖线性模型、机器学习模型和深度学习模型的8个模型后，发现DenseNet121（一种卷积神经网络CNN模型）是最佳模型，其识别准确率为95.30 ± 1.48%。随后，梯度加权类激活映射（Grad-CAM）及其他可视化方法证实了该模型的可行性和原理。最后，开发了一个面向移动端优化的边缘计算定制应用，以展示所提出模型的实时性能，该模型达到了91.93%的准确率。这些结果证明了卷积神经网络（CNN）模型在预测牛排熟度方面的可靠性，并为智能烹饪设备提供了理论基础。
-
利用计算机断层成像评估生物保护起始菌种和熟化温度对华达乳杆菌在高达奶酪中产气的影响
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
Madeleine Vencek Enriquez, & Joy Waite-Cusic
食品标签
奶酪 氧化、褐变等化学变化 显微与成像技术 发酵工艺与动力学计算机标签
机器学习/统计学习 缺陷/异物检测与定位 可见光/RGB/视频数据 中等规模数据集由非起始乳酸菌（NSLAB）引起的晚期气体缺陷在半硬质熟成奶酪中带来了显著的经济和质量挑战。寻找实用的缓解策略以防御产气 NSLAB 对减少该缺陷的经济影响非常重要。沃萨奇保乳杆菌（Paucilactobacillus wasatchensis）是与切达奶酪晚期气体缺陷相关的 NSLAB 之一；然而，其在其他半硬质奶酪中的行为知之甚少。本研究调查了沃萨奇保乳杆菌在高达奶酪中的行为，并探索了熟成温度及使用生物保护（产尼辛）菌种来减少气体产生的效果。高达奶酪使用传统起始菌或产尼辛的生物保护起始菌生产，并在奶酪奶中接种或不接种沃萨奇保乳杆菌 SK0033（4 log cfu/mL）。所有的起始培养物和接种状态的处理组合都在两个独立的生产日进行重复。每次生产的奶酪轮（n = 4）被随机分配在4°C、10°C或15°C下熟成，最长可达40周。使用计算机断层扫描作为一种新颖的、非破坏性的方法观察气体形成，并通过图像分析量化熟成过程中奶酪轮内的气体体积（每次奶酪制作n = 3）。在熟成结束时，对选定的奶酪轮进行微生物组分析。每种处理的第四个奶酪轮用于间歇取样进行破坏性测试（即pH、水活度、含水量、盐分）。由Pa. wasatchensis在使用传统起始培养物并在15°C熟成的奶酪中产生的气体体积最高。这些奶酪轮的气体体积范围从最低的0.02%（0.5周）到最高的2.54%（39周），并随着熟成时间的增加而增加。观察到同一批次奶酪的不同轮之间气体体积存在相当大的变化，这与行业中关于商业规模下缺陷可变性的报告一致。降低熟成温度（4°C）虽然延缓了 Pa. wasatchensis 在熟成过程中引起的气体生成，但并未完全阻止；微生物组分析证实 Pa. wasatchensis 在所有熟成温度下均有生长。用产生宁菌素的防护性起始菌替代传统起始菌，有效地防止了 Pa. wasatchensis 在所有熟成温度下的生长和气体形成。使用软琼脂覆盖法确认，使用防护性起始菌生产的奶酪中宁菌素对 Pa. wasatchensis 具有活性。这些发现说明了 Pa. 的能力。wasatchensis 会导致高达芝士的晚期气孔缺陷，并证明了生物保护型起始化合物在减轻这种缺陷方面的有效性。
-
基于深度学习的马铃薯总糖苷生物碱含量无损预测与品质分类
查看原文
2026
LWT
中科院一区JCR一区
Ji-Hoe Kim, Sol Kim, Jaehwi Seol, Hyoung Il Son, & Soo-Jung Kim
食品标签
马铃薯 食品安全与风险评估 品质、结构与理化性质 显微与成像技术 碳水化合物与糖类计算机标签
其他深度学习结构 智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据马铃薯含有糖苷生物碱，过量积累 alpha-chaconine 和 alpha-solanine 可能带来食品安全风险。传统总糖苷生物碱测定依赖破坏性且耗时费力的方法，限制了采后快速筛查。本研究开发了一种基于 RGB 图像的深度学习框架，用于马铃薯块茎总糖苷生物碱含量的无损预测和安全风险分类。研究通过光照胁迫诱导总糖苷生物碱逐步积累，并在不同贮藏阶段采集智能手机表面图像；同时采用 HPLC 测定总糖苷生物碱浓度，作为监督学习的参考值。研究评估了 ResNet-101、EfficientNet-B3 和 Vision Transformer 三种骨干结构在回归和二分类任务中的表现。EfficientNet-B3 取得最佳回归性能（R2 = 0.843），ViT 表现出较强分类能力（准确率 = 0.880，召回率 = 0.908）。Grad-CAM 分析通过突出与总糖苷生物碱积累相关的生物学区域，提高了模型可解释性。采用额外品种和产区样本进行外部验证时，整体预测趋势仍得以保持（R2 约为 0.70），说明模型在光照胁迫条件下对生物变异具有一定稳健性。该框架为利用 RGB 图像开展初步安全筛查提供了一种快速、无损的方法。
-
人工智能辅助筛选大豆品种：建立蛋白质组成与豆腐品质之间的联系
查看原文
2026
Food Hydrocolloids
中科院一区JCR一区
Menglin Han, Basanta Dhungana, Changhui Yan, Zhao Jin, Shahidul Islam, Jiajia Rao, Carrie Dottey, & Minwei Xu
食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 质构与流变性质 常规理化指标测定 显微与成像技术 蛋白质与氨基酸计算机标签
支持向量机 随机森林 K-近邻 梯度提升决策树 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集精确控制大豆蛋白凝胶化对于保证豆腐生产的一致性至关重要，但现有品种筛选方法仍然缓慢、依赖经验，并且容易产生批次间差异。本研究首次提出一种专门用于豆腐品质评价的人工智能辅助平台，可将包含 170 个大豆品系的多样化材料群体所产生的 SDS-PAGE 蛋白质指纹，快速、客观地转化为豆腐品质预测结果。该流程利用计算机视觉对蛋白质亚基进行数字化处理，并结合优化的支持向量机（SVM）分类器，弥合了生化分析与功能性食品品质之间的关键差距。研究根据硬度、产率、水分含量、蛋白质含量和质构特性等多项品质指标进行层次聚类，将大豆种子划分为三类豆腐品质类型：质地坚实型、高产率型和高水分型。这些类别名称反映了各组最突出的特征。该方法的分类准确率达到 82%，优于 k 近邻、决策树、随机森林和梯度提升算法。特征权重分析表明，11S A3 和 B 亚基是决定豆腐凝胶形成与质构的重要因素，而 7S α′ 亚基则有利于水分保持和形成较柔软的质构。总体而言，该流程可将原本需要数月完成的台式豆腐试制压缩为数分钟的图像分析，为育种人员提供客观的基因型排序指标，也为加工企业提供基于化学组成的质量规格工具。本研究将该框架视为一个中试规模的预测模型，为未来的大规模应用奠定基础。除豆腐外，该平台还为植物蛋白水胶体的数据驱动设计提供了一种可迁移的技术范式，有助于在不断扩大的植物基食品领域快速实现清洁标签产品的质构设计。
