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 167 条结果
-
利用SHAP值解释机器学习模型：应用于不同部位羊肉营养分类与预测任务
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Li Wang, Xuchun Sun, Jing Liang, Zhiyuan Ma, Fei Li, Shengyan Hao, Baocang Liu, Long Guo & Xiuxiu Weng
食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 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 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据新鲜肉类产品中营养成分的快速识别和预测是一项重大挑战。本研究旨在利用支持向量机（SVM）和偏最小二乘（PLS）模型对不同部位的新鲜羊肉进行分类并预测其营养成分，重点关注腰大肌、后腿肉和前腿肉在脂肪酸组成上的差异。SVM-SHAP模型对粗脂肪、蛋白质和脂肪酸进行了预测，同时解释了特征贡献。后腿肉中的多不饱和脂肪酸（PUFA）显著高于腰大肌和前腿肉。SVM模型的分类准确率达到92.5%，并成功预测了粗脂肪（EE）、粗蛋白（CP）、单不饱和脂肪酸（MUFA）和多不饱和脂肪酸（PUFA）等关键营养参数，在测试集中的相对分析误差（RPD）值均超过2.7。SHAP值分析表明，与脂质相关的变量以及2300–2500 nm波段的波长是该模型的主要贡献因素。基于可见-近红外（Vis-NIR）的SVM建模技术是一种快速、无损且准确的新鲜羊肉评估工具。
-
基于卟啉与 pH 指示剂配体组合的比色传感器阵列用于猪肉新鲜度实时监测与快速判定
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Baochen Huang, Kexin Zhang, Bridget Ama Kwadzokpui, En Han, Binbin Guan, & Hao Lin
食品标签
畜肉 颜色与外观品质 特征风味 光谱/色谱/质谱等分析方法 常规理化指标测定 其他植物化学物质计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据本研究开发了一种比色传感器阵列，将 pH 指示剂与卟啉溶液结合，构建用于监测猪肉新鲜度的灵敏、稳定传感器。研究选择溴酚蓝、溴甲酚绿、溴甲酚紫和氯酚红四种 pH 指示剂，以检测猪肉腐败过程中产生的挥发性气体。通过提取灰度值量化颜色变化，并筛选 TPPNi、TPPMnCl 和 TPPCu 等多种卟啉与 pH 指示剂的相互作用。主成分分析用于确定卟啉溶液的最佳浓度。最终构建的传感器阵列将四种 pH 指示剂与筛选卟啉组合，使平均稳定性分别提高 21.94%、23.59%、28.84% 和 23.31%。傅里叶变换红外光谱验证了配位作用，理论计算用于解释稳定性提升的可能原因。研究将该阵列用于不同贮藏时间的猪肉样品，并基于灰度数据建立偏最小二乘回归模型预测新鲜度；3、7 和 15 天贮藏实验中阵列保色率分别为 99.02%、99.01% 和 98.84%。模型在不同批次猪肉样品新鲜度等级预测和传感器稳定性评估中平均准确率达到 98.89%（n = 30），显示其可作为快速、准确判别猪肉新鲜度的可靠工具。
-
巴西南部羊肉元素确定的多元优化与主成分分析
查看原文
2025
Food Chemistry
中科院一区JCR一区
Daisa H. Bonemann, Charlie G. Gomes, Sabrina H. Scherdien, Mariana A. Vieira, Wiliam Boschetti, Adriana D. Meinhart & Anderson S. Ribeiro
食品标签
畜肉 营养与生物功能 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 过程控制与实时优化 组学数据羊肉富含多种营养素，如必需元素。鉴于此类食品消费的增加，本研究重点介绍了羊肉样本中必需元素浓度的信息。酸分解的最佳条件通过多变量优化获得。在原始样品中，浓度以mg kg 为单位−1阿尔的评分范围在2.77到6.69之间;Ba 的 0.25 到 0.27;Cu为0.95至2.75;Fe 从 33.5 到 111;K为3,609票对5,697票;202至381毫克为Mg;明尼苏达0.113至0.711;Na为329至771，Zn为31.2至99.4。主成分分析显示，尽管分析物浓度存在差异，但可以识别出这些元素总量形成的不同组别，按地点分开，可能与繁殖系统、摄食、屠宰年龄和遗传特征有关。
-
智能手机集成的双金属比例荧光探针，用于特异性视觉检测食物样本中的四环素抗生素和潜伏指纹识别
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yin-Xia Sun, Bo-Tao Ji, Jiang-Hai Chen, Li-Ping Liu, Lu-Lu Gao, Zhe-Peng Deng, Yu Sun, Jian-Jun Wang, Biao Zhao & Jin-Guo Li
食品标签
畜肉 液态乳 化学污染物 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据设计并制备用于监测四环素类抗生素的高灵敏度、高精准度荧光化学传感器仍面临诸多挑战。本文提出一种基于镧系金属有机框架（Ln-MOFs）的荧光化学传感器，通过调控镧系离子比例实现高精度检测。以铕离子（Eu³⁺）、铽离子（Tb³⁺）和配体4,4′,4″-均三嗪-2,4,6-三基三苯甲酸（H₃TATB）为原料，在N,N-二甲基甲酰胺/ N-甲基吡咯烷酮/水（DMF/NMP/H₂O）混合溶剂中采用溶剂热法制备出具备良好水相稳定性的镧系金属有机框架材料。该镧系金属有机框架可特异性识别土霉素（OTC）与多西环素（DOX），对土霉素和多西环素的检出限分别低至8.6纳摩尔、4.8纳摩尔。特别地，将浓度1.4微摩尔的铕掺杂铽基金属有机框架（Eu(1.4 μM)-Tb-MOF）传感器与智能手机联用，可实现土霉素和多西环素的可视化检测，检出限分别低至9.8纳摩尔、14.2纳摩尔。同时，铕基金属有机框架（Eu-MOF）、铽基金属有机框架（Tb-MOF）及Eu(1.4 μM)-Tb-MOF可应用于潜指纹（LFP）可视化显现，在刑事案件侦查领域具备潜在应用价值。所构建的荧光探针已成功用于牛奶、牛肉和猪肉样品中土霉素与多西环素的含量检测，加标回收率为92.0%~109.63%，相对标准偏差为1.83%~4.56%。研究表明，Eu(1.4 μM)-Tb-MOF依靠镧系金属离子配位作用与光诱导电子转移（PET）机制，实现对土霉素和多西环素的高选择性、高精准度检测，该结论得到实验结果与密度泛函理论（DFT）计算的双重佐证。
-
利用牛肉胴体红外热成像技术和随机森林算法预测胴体长背肌温度和pH值
查看原文
2025
Meat Science
中科院一区JCR一区
Aline Rabello Conceição, Nathália Farias de Souza, Amanda Candian Coeli, Pedro Henrique Silva Braga, Eula Regina Carrara, Cláudia Batista Sampaio, Mario Luiz Chizzotti & Erica Beatriz Schultz
食品标签
畜肉 其他品质相关性质 常规理化指标测定 显微与成像技术 其他理化与结构表征计算机标签
随机森林 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 中等规模数据集本研究旨在评估红外热成像技术（IRT）作为预测牛胴体长肌（LTBC）初始温度、最终温度及pH值的方法。研究共对102头肉牛胴体进行冷藏前后检测，其中包括62头红安格斯×内洛尔杂交一代牛和40头内洛尔牛，牛只月龄约为14个月。采用探针温度计与pH计测量牛胴体长肌的温度和pH值。利用红外热成像技术测量牛胴体前躯、后躯、长肌区域及整体表面温度特征，以此预测上述参数，并采用随机森林机器学习算法构建预测模型。研究结果表明，采用红外热成像技术可预测牛胴体长肌温度，决定系数R²为0.06～0.78，平均绝对误差MAE为1.12～1.67；其中初始温度R²为0.06，最终温度R²分别为0.26和0.17。加入胴体热重（HCW）参数后，最终温度预测效果得到提升，R²从0.78提高至0.86。利用热成像图像预测牛胴体长肌pH值的R²为0.26～0.82，MAE为0.10～0.82。红外热成像技术与胴体热重相结合，可优化牛胴体肌肉最终pH值的预测效果。综上所述，红外热成像技术可用于预测牛胴体长肌的初始与最终pH值及温度，结合胴体热重参数能进一步提高预测精度。
