类目筛选(食品学者)
-
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)
-
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)
标签记录(计算机学者)
共 236 条结果
-
超声辅助从番茄废料中回收番茄红素:由生成式人工智能支持的系统综述
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Cristina Arroqui, Maria N. Berradre, Idoya Fernandez-Pan, María José Beriain, Francisco C. Ibañez, & Paloma Virseda
食品标签
新鲜水果 物理辅助加工 副产物与废弃物高值利用 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
大语言模型 知识抽取与语义理解 文本/知识库/法规数据 公开数据集背景:使用超声辅助提取(UAE)从番茄废料中回收番茄红素的加工参数和分析条件被发现存在不一致性。这阻碍了在结果之间进行比较以及设计旨在优化回收的实验的能力。范围与方法:根据PRISMA声明进行系统综述,以确定通过UAE从番茄废料中提取番茄红素所涉及变量的具体内容。使用Scopus和Web of Science数据库检索文献。对识别出的文章的筛选和数据提取通过GenAI辅助工作流程(Elicit)和传统人工系统综述进行。主要发现与结论:GenAI加快了筛选过程,并提取了所选文档中的实验参数。此外,该工具还加快了所获取信息的总结过程。然而,所使用的研究综述工具存在一定的局限性,在整个过程中大部分时间需要依赖关键的人类智慧(CritHI)。本文提供了一个可重复的方法模型,用于将生成型人工智能(GenAI)整合到食品科学及相关领域的系统文献综述中。基于所进行的PRISMA系统综述,从番茄废料中通过超声辅助提取(UAE)回收番茄红素的最适实验条件如下:i)以乙醇作为适当溶剂,ii)处理时间少于20分钟,温度不超过40℃,副产品与溶剂比例为1:10至1:80作为加工参数,iii)声波处理条件为350 W、24 kHz,以及65-100%的振幅。
-
用于榅桲果实酶促软化预测的可见/近红外光谱与化学计量学方法
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Reza Akbari, Tarahom Mesri Gundoshmian, Mohammad Tahmasebi, Mahsa S. Razavi, Irene Locatelli, & Silvia Grassi
食品标签
新鲜水果 氧化、褐变等化学变化 加工与新加工技术 光谱/色谱/质谱等分析方法 传统统计分析与回归 多酚与黄酮计算机标签
深度学习 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据褐变和软化是影响果实采后贮藏品质的关键生理过程,主要受多酚氧化酶(PPO)、过氧化物酶(POD)和果胶甲酯酶(PME)活性的影响。传统酶活测定耗时、成本高且需要化学试剂。为解决这些限制,本研究采用可见-近红外光谱结合先进回归建模,无损预测榅桲果实中 PPO、POD 和 PME 活性。研究建立了多元线性回归(MLR)、偏最小二乘回归(PLSR)和人工神经网络(ANN)模型。所有模型均提供可靠预测(R2 > 0.92,RPD > 2.8),表明该方法具有稳健性。为增强模型可解释性并降低计算复杂度,研究应用一种结合决策树优化和 11 种元启发式算法的新型混合变量选择方法,以识别最具信息量的波长。由学习自动机(LA)和森林优化算法(FOA)筛选的有效波长被用于提升回归算法性能。全光谱模型与基于有效波长的模型表现相当。全光谱模型具有更广泛的化学代表性和潜在更强稳健性,而基于有效波长的模型在降低维度、提升可解释性以及适用于实时或嵌入式传感应用方面具有明显优势。该方法可广泛用于其他水果商品酶促褐变和软化的在线质量控制与实时监测,有助于改善采后管理并减少食物损失。
-
基于几何影响校正与深度学习的高光谱无损检测:水果早期碰伤检测案例
查看原文2026
Current Research in Food Science
中科院一区JCR一区Wei Tao, Yixiao Wang, Shan Zeng, Bing Li, Chaoxian Liu, & Xiangjun Duan
食品标签
新鲜水果 微观结构与成像 显微与成像技术计算机标签
深度学习 缺陷/异物检测与定位 多模态/融合数据 高光谱/多光谱光谱 可见光/RGB/视频数据高光谱成像能够捕捉组织结构和化学组成变化所引起的光谱差异,因此被广泛用于水果无损检测。然而,水果曲面几何形态的变化常会造成非结构性光谱失真,降低检测精度并限制模型的泛化能力。为减轻光照–几何–光谱耦合的不利影响,本研究提出一种基于本征分解和几何影响校正的水果碰伤检测框架,将高光谱成像与三维(3D)点云数据相融合。首先,从3D点云中提取像素级表面法向量和光照特征,以联合获取光谱与几何信息。随后,设计双分支编码器–解码器网络,将点云提供的几何约束引入模型,并把观测光谱解耦为本征反射率分量和光照分量。最后,利用本征反射率图像构建碰伤检测模型,实现果实表面碰伤区域的像素级识别。实验结果表明,该方法在保持光谱结构一致性的同时,显著提高了碰伤区域的可区分性。与使用原始光谱数据的模型相比,所提方法提高了检测准确率和碰伤区域召回率。该框架为高光谱检测提供了一种基于物理机制的新型解耦方法,并能有效抑制由水果表面几何变化造成的非结构性光谱变化。
-
“Legacy”蓝莓及其突变体风味品质的代谢组学与机器学习整合分析
查看原文2026
Current Research in Food Science
中科院一区JCR一区Mingfei Zhang, Yuhan Shen, Liang Fang, Jiayi Yan, Yuming Ren, Fuyun Yang, Yu Zong, & Xun Wang
食品标签
新鲜水果 特征风味 光谱/色谱/质谱等分析方法 代谢组学 花青素与类胡萝卜素 其他植物化学物质计算机标签
随机森林 分类/鉴别/等级评定 组学数据蓝莓风味品质是决定其商业价值和消费者接受度的核心因素,已成为蓝莓育种的重要目标。本研究比较了“Legacy”蓝莓与其自然突变体的风味品质特征。结果显示,突变体果实的单果重和花青素含量降低。初级代谢分析进一步表明,与“Legacy”果实相比,突变体果实的氨基酸含量升高,而有机酸含量降低。基于顶空固相微萃取-气相色谱-质谱法(HS-SPME-GC-MS)的分析发现,突变体蓝莓中的挥发性有机化合物(VOCs)含量约为“Legacy”果实的2倍,其中萜类化合物增加约8倍,醇类、酯类和醛类增加1.5~2.2倍。进一步分析发现,突变体果实中有189种VOCs显著上调,包括40种醇类、30种酯类和23种萜类。代谢组学分析表明,氨基酸和特定VOCs的积累以及柠檬酸含量的降低通过协同作用增强了突变体果实的甜味和香气。随机森林算法筛选出丙氨酸和3-环己烯-1-甲醛等特征代谢物,表明其可作为蓝莓风味育种的候选靶标。本研究为蓝莓风味形成机制及高风味品质蓝莓的分子设计育种提供了新见解。
-
基于高光谱图像光谱-纹理融合与 3DCNN-TexNet-Att 的霉菌感染哈密瓜可溶性固形物含量检测
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区MingHui Zhang, Benxue Ma, Fumin Dang, Fujia Dong, Ying Xu, & Fan Wu
食品标签
新鲜水果 微生物安全 质构与流变性质 光谱/色谱/质谱等分析方法 显微与成像技术 碳水化合物与糖类计算机标签
卷积神经网络 偏最小二乘法 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱病原真菌引起的采后腐烂严重影响哈密瓜品质和经济价值,但早期感染缺乏可见症状,及时检测具有挑战性。可溶性固形物含量(SSC)是关键品质指标,在真菌感染条件下可能发生变化。本研究提出一种融合高光谱数据、纹理特征和深度学习模型的多维特征融合方法,用于预测哈密瓜 SSC 并评价曲霉感染对 SSC 的影响。在病原菌感染期间,哈密瓜 SSC 呈持续下降趋势。病原菌造成的损伤促进糖和有机酸降解,从而影响果实品质。研究通过高光谱数据的二维相关光谱(2D-COS)分析识别与 SSC 相关的关键波段,同时通过图像处理提取纹理特征,并筛选与 SSC 的 Pearson 相关系数大于 0.2 的特征。随后,采用三维卷积神经网络(3DCNN)协同分析融合后的光谱-纹理特征。实验结果表明,与传统机器学习模型(PLSR 和 SVR)相比,轻量化 3DCNN-MobileNetV2 模型在处理高维复杂特征方面表现更优。此外,多维数据融合策略相较单一光谱模型将 SSC 预测精度提高 5.74%。引入自注意力机制的 3DCNN-TexNet-Att 模型取得最佳 SSC 预测性能,R2 为 0.911,RMSE 为 0.541,RPD 为 3.345。研究表明,该方法能够有效检测霉菌感染哈密瓜中的 SSC,并为采后运输和贮藏过程中的品质监测提供有效工具。