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
-
机器学习辅助微型近红外用于快速监测储存甘薯糖化过程中酶活性和碳水化合物的变化
查看原文
2025
LWT
中科院一区JCR一区
Hong-Ju He, Longzhu Xing, Mengchao Lv, Hong Qiao, Yuling Wang, Jicai Bi, Xingqi Ou, & Shengyang Niu
食品标签
其他根茎类 过程监测与在线检测 加工与新加工技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据本研究探讨了一种微型近红外 (NIR) 系统（900 - 1700 nm）结合机器学习算法（MLA），用于无损监测储存甘薯（SSP）糖化过程中α-淀粉酶活性（α AA）、β-淀粉酶活性（β AA）、支链淀粉含量（APC）、直链淀粉含量（AC）、可溶性糖含量（SSC）、总糖含量（TSC）的动态变化。研究中执行了六种不同的机器学习算法，以挖掘全谱近红外光谱并与测量的六个指标建立关联，结果显示支持向量回归（SVR）模型表现最佳，在预测中具有最高的相关系数（R P）值和最低的均方根误差（RMSE P）（R P = 0.885 - 0.942，RMSE P = 3.998 - 2133.206，RPD = 3.017 - 5.854）。通过应用包括连续投影算法（SPA）、递归特征消除（RFE）和改进的鲸鱼优化算法（iWOA）在内的三种技术，选择了25-30个最优波长，并使基于最优波长的SVR模型能够以类似的良好性能预测六个指标（R P = 0.884 - 0.917，RMSE P = 4.238 - 2261.198，RPD = 2.866 - 3.721）。通过一组具有小偏差的独立SSP进一步验证了这些基于最优波长的模型的良好能力。总之，微型近红外系统与SVR算法结合在预测SSP的α氨基酸、β氨基酸、总蛋白质含量（APC）、抗坏血酸（AC）、可溶性固形物（SSC）和总可溶性糖（TSC）方面显示出极大潜力，为开发用于SSP质量评价的专业近红外设备提供了有价值的参考。
-
人工智能赋能的光谱气体传感技术在食品系统实时监测和预测性质量控制中的应用
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Fangchen Ding, Rili Zha, Leiqing Pan, Xiao Chen, Juan Francisco García-Martín & Weijie Lan
食品标签
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 模型轻量化/边缘计算 特征工程与选择策略 强化学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据背景：开发高效、智能且可扩展的检测技术已成为确保整个食品供应链质量控制的关键优先事项。光谱气体传感（SGS）作为一种很有前景的分析方法应运而生，它具有非接触式操作、响应迅速和灵敏度高的特点。通过监测食品系统中与加工、运输和储存相关的环境气体成分变化，SGS技术能够对食品质量和安全性进行高效评估。
范围与方法：本综述聚焦于应用于食品系统的前景广阔的SGS技术，特别是非分散红外光谱法、可调谐二极管激光吸收光谱法和光声光谱法。系统综述了这些技术的基本原理、操作参数和性能特征在近期食品相关应用中的情况。值得注意的是，本文还阐述了人工智能赋能的SGS所取得的特定进展，包括云-边-端框架内的信号去噪、特征提取、多模态融合和动态反馈。最后，本综述提出了在食品系统中扩大SGS应用的技术路线图和概念框架，强调了将人工智能赋能的SGS与物联网（IoT）、柔性材料和数字孪生系统相结合的新兴趋势，并着重指出了标准化协议和开放光谱数据集对SGS可扩展实施的重要性。
主要发现与结论：SGS技术与先进人工智能技术的融合，能够实现对食品气体的快速非接触检测，检测精度可达百万分之一至十亿分之一级别，为食品系统的实时监测和预测性质量控制提供了强大的解决方案。此外，人工智能赋能的SGS与物联网网络、智能包装和数字孪生系统的深度互联，以及对统一标准和可访问光谱数据集的需求，是未来的关键发展趋势。 -
基于改进的条件互信息最大化和SHAP分析的玉米粗脂肪含量预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Haichao Zhou, Xiaodan Ma, Haiou Guan, Jiao Yang, Bingxue Wei, Yifei Zhang & Yuxin Lu
食品标签
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 模型可解释性 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 公开数据集传统的条件互信息最大化（CMIM）算法难以捕捉连续近红外（NIR）光谱分析中的非线性依赖关系。因此，本研究提出了一种将改进的CMIM与SHAP相结合的新框架，用于玉米粗脂肪含量的快速预测。创新性地用连续变量估计和两阶段过滤-包裹特征选择取代了离散化处理。CMIM_KDE方法在偏最小二乘回归（PLSR）和支持向量回归（SVR）模型中分别获得了0.7618和0.7531的预测决定系数（R²p），与其他改进策略相比，平均提升了6.18%和4.42%。此外，SHAP分析表明，筛选出的5684 cm⁻¹和4312 cm⁻¹左右的特征波数与玉米中的C—H基团相关。该方法的有效性和泛化能力在公开数据集上得到了验证。本研究解决了传统CMIM方法在近红外光谱分析中的适用性瓶颈，可为其他农产品的质量检测以及低空遥感和实时在线预测提供技术支持。
-
基于高光谱预处理、特征筛选和机器学习的不同面筋小麦品种分类
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xinghui Qi, Shaohua Zhang, Liyang Wang, Xuexu Hu, Haiyan Zhang, Wei Feng, Chenyang Wang, Tiancai Guo & Li He
食品标签
小麦 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 K-近邻 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱对不同面筋小麦品种进行分类能够满足多样化的食品需求。为了利用高光谱数据快速对面筋小麦类型进行分类，本研究采用了四种预处理方法，结合两种特征筛选方法和四种机器学习算法。研究结果表明，通过ReliefF提取的特征波长所构建的分类模型，其准确率优于全波长分类模型和最小冗余最大相关性（mRMR）分类模型。连续小波变换（CWT）的分类准确率高于原始反射率、连续去除和一阶导数的分类准确率。四种分类器的性能排序为支持向量机（SVM）＞卷积神经网络（CNN）＞随机森林（RF）＞K近邻（KNN）。ReliefF - CWT - SVM被确定为最优分类模型（总体准确率=94.5%）。所提出的组合方法为对不同面筋类型的小麦品种进行分类提供了理论和技术支持。
-
基于机器学习的夏威夷果抗氧化肽筛选：体外实验验证与机制解析
查看原文
2025
Food Research International
中科院一区JCR一区
Weiye Jiang, Zehui Zhu, Fei Pan, Liang Zhao & Lei Zhao
食品标签
豆类与坚果（及籽类） 蛋白质配料 抗氧化/抗炎等功能 理化与结构表征 数值仿真 蛋白质与氨基酸计算机标签
支持向量机 梯度提升决策树 特征工程与选择策略 分类/鉴别/等级评定 设计/生成与推荐 组学数据氧化应激是慢性疾病发生的重要因素，推动了对有效天然抗氧化剂的需求。抗氧化肽是一种有前景的替代品，然而其传统鉴定方法费时费力且效率低下。本研究提出了一种基于机器学习的框架，以加速从夏威夷果蛋白中发掘抗氧化肽。利用ESM-2生成的序列嵌入结合十种机器学习算法，构建了针对四种抗氧化检测方法（ABTS、DPPH、ORAC、FRAP）的二分类模型，各模型预测准确率均超过92%。表现最佳的模型（如用于ABTS的XGBoost和用于DPPH的SVC）被用于筛选夏威夷果蛋白中的肽段，从而鉴定出SYLDL。体外分析显示，DPPH、FRAP和ORAC的抗氧化活性在酶解8小时后达到峰值，而ABTS活性在10小时达到最大值（68.7%）。合成了SYLDL肽，并在过氧化氢诱导的HepaRG细胞氧化应激模型中进行评估。在75 μg/mL浓度下，SYLDL处理能显著提高细胞活力和总抗氧化能力，同时降低细胞内ROS和MDA水平（p < 0.05）。与对照组相比，SYLDL还显著提高了GSH水平和CAT活性。Western blot分析证实，经SYLDL处理后，抗氧化相关蛋白HO-1、Keap1、NQO1和Nrf2的表达上调（p < 0.05）。此外，前沿分子轨道计算显示其能隙较低，与其强的电子供给能力和抗氧化活性一致。总之，这些发现支持SYLDL作为候选抗氧化肽的潜力，并展示了将基于机器学习的筛选与实验验证相结合在发掘食品源生物活性肽中的实用性。
