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 276 条结果
-
有限数据条件下食源性病原体的快速单细胞鉴定：峰感知拉曼注意力深度学习模型
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Jiazheng Sun, Sen Wang, Hua Xia, Yingxiao Peng, Feng Gao, Yi Sun, Jiayi Wang, Xiangyun Ma, & Qifeng Li
食品标签
食品安全与风险评估 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
深度学习 随机森林 小样本学习 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集 合成/仿真数据为主食源性病原体是全球食品安全面临的重大威胁，因此亟需快速、可靠的鉴定技术。拉曼光谱可用于无标记分子指纹分析，但菌株之间较高的生化相似性以及实际应用中的数据匮乏，常会限制其鉴定性能。为解决这些问题，本研究提出峰感知拉曼注意力模型（Peak-Aware Raman Attention Model，PARAM），这是一种用于高保真光谱数据增强的生成式深度学习框架。传统生成模型生成的光谱容易出现峰位偏移或强度失真，而 PARAM 引入峰感知注意力机制，通过峰引导注意力映射，显式保持具有重要生化意义的光谱区域结构完整性，例如 1003 cm⁻¹ 的苯丙氨酸峰和 1330 cm⁻¹ 的核酸振动峰。研究在每类仅有 7 个样本的极端数据受限条件下，使用四种主要病原体评价 PARAM。结果表明，PARAM 生成的光谱与真实数据具有很高的一致性，峰位匹配率达到 100%，Pearson 相关系数达到 0.9989。此外，使用 PARAM 生成的数据扩充训练集后，随机森林模型的分类准确率由 87.67% 显著提高至 97.95%。这些结果表明，PARAM 是缓解食品安全监测中数据匮乏问题的一种稳健策略。
-
机器学习用于理解不同欧洲奶牛农场中农场管理措施与牛奶脂肪酸之间的关系
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
A. Mouhanna, L. Rey-Cadilhac, M. Berton, R. Eppenstein, M. Gelé, G. Plesch, B. Martin, E. Kowalski, S. Heirbaut, & S. De Smet
食品标签
液态乳 营养与生物功能 脂质与脂肪酸计算机标签
随机森林 模型可解释性 定量预测/回归分析 中等规模数据集牛奶脂肪酸（FA）组成是农场管理和乳制品营养质量的指标。很少有研究通过经过验证的机器学习工作流程，将多国、多样化的观察性农场数据与牛奶脂肪酸的变化联系起来。我们调查了代表广泛生产强度梯度的75个欧洲农场，对季节性合并的散装牛奶样品进行了12种脂肪酸性状的分析，并检查了29项管理实践。一种两阶段的工作流程结合了优化的随机森林（RF）来预测脂肪酸及对管理实践进行排序，并使用条件推断树来可视化管理的协同效应和权衡。RF模型在8个性状上实现了高预测准确性（R² ≥ 0.50）：α-亚麻酸、二十碳五烯酸、二十二碳五烯酸、共轭亚油酸（CLA）、n-6:n-3多不饱和脂肪酸比率、亚油酸、油酸（VA）和支链脂肪酸（BCFA）。条件推断树模型在除VA和BCFA之外的所有性状上具有相当的准确性（R² ≥ 0.50）。在所有模型中，新鲜草料摄入量、玉米青贮和浓缩饲料使用量、存栏量、牧场规模、奶产量以及矿物肥料是主要驱动因素，共同解释了模型中大部分方差。采用低投入、基于牧场策略的农场通常与奶中较低的n-6:n-3多不饱和脂肪酸比值和较高的n-3多不饱和脂肪酸、共轭亚油酸（CLA）及支链脂肪酸（BCFA）相关，强调了生产强度与营养质量之间的协同效应及权衡。虽然这一特征与有利的健康结果相关，并有助于满足膳食推荐，但仍需进一步针对性验证，以确认其在不同乳制品生产背景下的普遍性和适应性。
-
使用手持拉曼光谱进行牛油果成熟度分类：通过机器学习和重采样技术解决数据不平衡问题
查看原文
2026
Food Chemistry
中科院一区JCR一区
In-Hwan Lee, Zhengao Li, & Luyao Ma
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
卷积神经网络 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据 大规模数据集食品浪费是一个全球性问题，部分原因是破坏性测试和不准确的目视检查导致质量错误分类。本研究开发了一种机器学习辅助的手持拉曼光谱仪，用于牛油果成熟度的无损分类。共收集了1274个拉曼光谱数据，同时进行了硬度和内部质量测量，用于模型训练。特征峰反映了成熟过程中叶绿素下降和花青素增加。二维一维卷积神经网络（1D-CNN）在原始不平衡数据集上表现优于更多层（如4层和6层）的模型，达到0.831的受试者工作特征曲线下面积（ROC-AUC）。在实际应用中，成熟度阶段的样本量通常不均衡，这对分类提出了挑战。合成少数类过采样技术改善了传统模型的性能，支持向量机和随机森林的ROC-AUC值达到≥0.786。然而，1D-CNN在原始数据集上的表现最佳。这些结果突出了快速、非破坏性、现场化的食品成熟度评估方法，为减少食品浪费提供了实用工具。
-
使用枸杞芽茶丰富鸡汤的营养和风味特征：基于智能算法的风味分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Julong Zhou, Junqin Wu, Yulong Luo, Lili Yao, Juanjuan Zhu, Haijun Ma, Ruiming Luo, Songlei Wang, & Shuang Bai
食品标签
禽肉 茶/茶饮料 预制菜/即食菜肴 营养与生物功能 特征风味 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 风味组学 蛋白质与氨基酸 多酚与黄酮 其他植物化学物质计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据本研究探讨了枸杞芽茶（GBT）作为功能性成分对鸡汤营养质量和风味的影响。结果显示，加入GBT显著提高了鸡汤中的可溶性固形物、水溶性蛋白、氨基酸氮、总酚和总黄酮含量，从而增强了其营养价值和抗氧化活性。此外，加入GBT后，自由氨基酸和5′-核苷酸的含量也有所增加。通过气相色谱-质谱法分析，共检测到48种香气成分。进一步通过正交偏最小二乘判别分析和随机森林模型，识别出桉叶油醇、芳樟醇、1-壬醇、壬醛、苯甲醛和辛醛可能是GBT强化鸡汤中的关键香气物质。本研究系统阐明了GBT在提高鸡汤营养价值和风味方面的潜力，为功能性炖汤的开发提供了理论和证据支持。
-
食品标签
畜肉 颜色与外观品质 货架期预测与品质劣变动力学 常规理化指标测定 含硫植物化合物计算机标签
随机森林 K-近邻 定量预测/回归分析 质构/流变/感官数据本研究提出了一种基于 Python 的机器学习方法，利用 CIELAB 色彩空间中的无损颜色测量预测牛肉腐败指标。研究采用两阶段建模策略：第一阶段从 a 值预测腐败指标，第二阶段将这些预测的腐败指标作为输入特征估计腐败率。首先，Pearson 相关分析验证了 a 值与腐败指标之间存在较强相关性，说明颜色数据用于品质预测具有可行性。在测试的回归模型中，随机森林回归模型表现优异，对高铁肌红蛋白和过氧化值的 R2 分别达到 0.912 和 0.804。梯度提升回归对 pH 预测效果最好，K 近邻回归模型在硫代巴比妥酸反应物估计中表现突出。随后，研究进一步优化 RF 回归模型，以 Met.Mb、pH、PV 和 TBARS 为输入特征预测腐败率，R2 达到 0.988，RMSE 为 2.120。SHAP 分析显示，TBARS 是最具影响力的变量，其次为 Met.Mb 和 pH。结果表明，将机器学习模型与无损方法结合可用于牛肉品质实时评估，并为传统分析方法提供实用、节约资源的替代方案。
