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
-
利用可见光/近红外高光谱成像开发枇杷可溶性固形物总量和可滴定酸含量的无损检测方法
查看原文
2025
LWT
中科院一区JCR一区
Xiyu Wu, Kehan Wu, Dan Xu, & Dan Ren
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 碳水化合物与糖类计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱枇杷果的风味和市场价值受到其可溶性固形物（TSS）和可滴定酸（TA）含量的显著影响。本研究采用高光谱成像（HSI）技术检测枇杷果的TSS和TA含量，旨在评估这种无损技术在果实采后质量评估中的可行性。共分析了118个枇杷样品，从高光谱图像的感兴趣区域提取光谱数据。使用蒙特卡罗（MC）算法去除异常值，并通过竞争自适应加权抽样算法（CARS）选择特征波长。随后，系统评估并比较了两种偏最小二乘回归（PLSR）模型--非线性迭代偏最小二乘（NIPALS）和简单偏最小二乘（SIMPLS）的预测性能。对于TSS含量，SIMPLS模型优于NIPALS模型，在使用独立预测集验证时，达到决定系数（R²p）为0.8955，预测均方根误差（RMSEP）为0.4200，以及预测与偏差比（RPD）为3.14。对于TA含量，NIPALS模型表现更好，得到R²p为0.7841，RMSEP为0.0397，以及RPD为2.19。因此得出结论，结合PLSR的HSI技术有潜力用于枇杷果实关键采后质量指标--TSS和TA含量--的无损分析。
-
整合机器学习与分子生物学视角解析枝顶孢霉降解玉米赤霉烯酮的机制
查看原文
2025
Chemical Engineering Journal
中科院一区JCR一区
Zhi-Kai Yang, Yun Huang, Xue-Ling Huang, Dan Huang, Liang Peng, Wei-Dong Yang, Hong-Ye Li & Da-Wei Li
食品标签
化学污染物 过敏原与毒性问题 转录组学 其他特殊成分计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 组学数据玉米赤霉烯酮（ZEN）是一种分布广泛的霉菌毒素，具有多重毒性效应，常在谷物中蓄积并对食品安全与环境健康构成严重威胁。鉴于其高热稳定性特性，传统脱毒方法往往收效甚微。微生物降解技术因其高度特异性和低二次污染特性，展现出显著优势。本研究通过整合转录组学分析与基于机器学习的基因筛选技术，深入探究了产毒真菌降解菌（Apiotrichum mycotoxinivorans）的ZEN降解机制。研究结果表明，A. mycotoxinivorans对毒性环境的强耐受性源于其发达的代谢解毒途径。研究鉴定了参与玉米赤霉烯酮（ZEN）初始氧化开环反应的五个关键基因，其中环己酮单加氧酶（AmCHMO）的过表达即使在葡萄糖存在条件下仍显著提升ZEN降解效率（P < 0.01）。这些发现揭示了A.mycotoxinivorans降解ZEN的分子机制，凸显了其在霉菌毒素生物修复和绿色饲料加工中的应用潜力，为食品安全与环境生物技术领域提供了新的理论依据。
-
基于近红外光谱的茶叶品种分类中间接和直接特征提取算法的比较研究
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
Xuefan Zhou, Xiaohong Wu & Bin Wu
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
K-近邻 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据茶作为一种全球备受喜爱的饮品，已成为日常生活中不可或缺的一部分，在中国尤其如此。鉴于茶叶种类繁多，每种茶叶在价格、风味和健康益处方面都各具特色，因此在茶叶行业中进行有效的分类对于满足消费者的多样化偏好至关重要。本研究采用间接和直接特征提取算法对不同茶叶品种的近红外（NIR）光谱进行分析，并对它们的分类结果进行了比较。主成分分析（PCA）被用作间接特征提取算法的降维技术。研究首先收集了不同茶叶品种的近红外光谱，随后应用了三种光谱预处理算法。接着，使用间接和直接特征提取算法对预处理后的数据进行降维。通过K近邻（KNN）分类器对降维后的数据进行分析，以确定分类准确率。研究结果表明，间接特征提取算法的分类准确率始终高于直接特征提取算法，前者的准确率通常超过90.0%，而后者则较低。这表明间接特征提取算法更擅长处理复杂的光谱数据。当使用Savitzky-Golay（SG）算法处理数据时，分类准确率出现了显著下降。通过深入分析，研究制定了一个结合连续投影算法（SPA）的优化方案，该方案有效地将所有分类准确率提升到了90%以上。
-
微生物组学与机器学习辅助方法揭示高温大曲中的氨基酸特征模式
查看原文
2025
Food Chemistry
中科院一区JCR一区
Chao Fang, Gailing Shi, Qing He, Shuang Xing, Peng Chen, Feng Shi, Zhiguo Liu, Ping Tang, Liangcai Lin & Cuiying Zhang
食品标签
其他酱腌/发酵食品 品质、结构与理化性质 微生物组/宏基因组学 蛋白质与氨基酸计算机标签
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 组学数据氨基酸是高温大曲中至关重要的氮源，可显著影响高温大曲的品质。本研究通过分析发酵参数与微生物群落结构，探究了氨基酸的变化规律。研究采用相关性分析与机器学习方法，从糖多孢菌属、芽孢杆菌属、乳杆菌属和枝芽孢杆菌属中筛选出6个关键扩增子序列变异体（ASVs）。功能预测结果表明，这些扩增子序列变异体在翻曲第一、第二阶段的氨基酸代谢通路中表现出较强的酶活特性，与实际观测到的代谢表型特征相符。集成机器学习模型可有效预测高温大曲中绝大多数氨基酸的含量，决定系数（R²）介于0.70至0.95之间，且通过独立的高温大曲样本集验证了模型的稳定性。本研究为传统发酵食品代谢物谱的预测与调控提供了研究思路与技术方法。
-
人工智能助力多维信息融合：食品质量与安全评估的数据收集、处理及建模
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Hengrui Zhang, Yuandong Lin, Shilin Cao, Jun-Hu Cheng & Xin-An Zeng
食品标签
食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 多模态基础模型 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 时序传感器/物联网数据 多模态/融合数据背景：随着全球食品供应链日益复杂，以及对高效无损评估方法的需求不断增加，食品质量与安全保障面临着重大挑战。新兴的多维数据融合技术正致力于解决这些挑战。在人工智能驱动下，机器学习（ML）和深度学习（DL）方法大幅提升了高维数据的处理效率。通过这些方法整合多模态数据源，能够实现对食品质量全面、快速且无损的监测。
范围与方法：本综述系统总结了通过多维数据融合技术在食品质量与安全检测方面的最新进展。全面考察了包括数据采集、处理和建模在内的整个工作流程。介绍了一维数据（如声音和气体传感器）、二维数据（如视觉成像）和三维数据（如高光谱成像和计算机断层扫描）的最先进采集方法。讨论了适用于各种数据类型和维度的常见数据处理技术与特征提取方法，并重点阐述了它们在异构数据整合中的作用。此外，还阐述了机器学习和深度学习方法在多维数据融合中的应用，着重分析了它们对提高食品质量监测系统的准确性、稳健性和可扩展性所产生的影响。同时，也探讨了一些代表性应用，如食品质量检测、污染监测和成分分析等。最后，探讨了多维数据融合技术在食品质量评估中面临的挑战及未来发展方向。
主要发现与结论：在先进的机器学习和深度学习方法的推动下，基于多模态数据融合的检测技术在食品质量评估方面展现出优于单模态方法的潜力。通过整合多个传感器的数据，为无损食品质量监测提供了高效、稳定且准确的解决方案，这与食品工业5.0不断增长的需求相契合。随着人工智能技术的持续进步，利用多维数据融合的检测解决方案有望成为智能食品质量评估的主流方法，为复杂的供应链提供更高的准确性和效率。
