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 2456 条结果
-
基于高光谱反射成像的灵武长枣早期碰伤综合评估
查看原文
2025
Food Control
中科院一区JCR一区
Guoling Wan, Jianguo He, Xiaoxue Li, Mei Guo, Qingqing Cao, Jingjing Zhang, Guishan Liu & Xianghong Meng
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据鲜食枣质地酥脆，易受机械冲击和挤压而造成损伤，这是消费者购买的主要障碍之一。本研究提出了一种方法，利用高光谱成像技术精确识别和分类不同成熟期灵武长枣的碰伤。结果表明，枣的碰伤变化与550-650 nm、660-750 nm、800-850 nm和950-1000 nm附近的有效光谱变化相关。在比较的模型中，长短期记忆网络（LSTM）模型在识别枣早期碰伤方面明显优于传统机器学习模型。自助软收缩（BOSS）和迭代变量子集优化（IVSO）算法被认为是最佳的特征波长选择方法。对于碰伤等级的判别结果，最优模型在校准集和验证集上的准确率分别达到92.20%和87.80%。此外，基于特征波长的LSTM模型达到了93.55%的预测准确率，成功区分了不同碰伤时间的样本。基于特征波长的最佳简化LSTM模型在2小时内对碰伤和未碰伤枣的判别率达到96%。最后，生成了碰伤位置和等级分布的伪彩色图。本研究证明，高光谱成像与深度学习的结合对于快速评估鲜食枣的隐性碰伤具有最佳能力。
-
综合代谢组学-KPCA-机器学习框架：一种用于红枣地理溯源的方法
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xiaoli Wang, Xiaolei Ma, Yuxin Liu, Wenhan Tao, Yuting Zuo, Yueqin Zhu, Feng Hua, Chanming Liu & Wei Huang
食品标签
果蔬干/果脯/蔬菜干 食品安全与风险评估 光谱/色谱/质谱等分析方法 代谢组学计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 组学数据由于产品掺假现象普遍存在，具有营养和药用价值、在全球具有重要经济意义的作物——中国红枣（CJ）在地理溯源方面面临困难。本研究引入了代谢组学-核主成分分析（KPCA）-机器学习（ML）框架，为来自中国六个产区（新疆、甘肃、陕西、河南、山东和河北）的红枣建立了产地识别系统。研究人员利用液相色谱-串联质谱（LC-MS/MS）进行非靶向代谢组学分析，鉴定出312种代谢物。多变量分析揭示了37个关键判别变量（变量重要性投影值＞1）。核主成分分析将这些特征压缩为28个主成分（保留了90.59%的信息）。与传统方法相比，经核主成分分析降维后的K均值聚类显著提升了样本区分能力：原始数据的产地样本存在重叠，边界模糊；而降维后，六个产地的样本形成了清晰且紧凑的聚类，实现了准确分类。本研究开创了“代谢组学-核主成分分析-机器学习”范式，为地理标志农产品的溯源提供了一种解决方案。
-
通过混合深度学习优化干腌火腿皮的水解：一种智能工艺方法
查看原文
2025
LWT
中科院一区JCR一区
Chenguang Li, Tingting Gao, Xuanyi Liu, Changcheng Zhao, Chunxiang Piao, Tingyu Li, Juan Wang, Hongmei Li, Baide Mu, & Guanhao Li
食品标签
畜肉 副产物与废弃物高值利用 加工与新加工技术 蛋白质与氨基酸计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析干腌火腿皮副产品的可持续增值是食品循环经济倡议中的一项关键挑战。虽然用酶法提取鲜味肽为价值提升提供了一种可行途径，但传统的优化方法在捕捉复杂非线性参数相互作用方面存在固有局限。在此，我们将多算法深度学习架构（SAA-BKA-CNN-BiLSTM-Attention）与经验实验设计结合，以克服这些局限性。研究显示，在胰蛋白酶介导水解的优化中，该混合模型表现出优越性能，在理想参数下实现了前所未有的预测精度（误差0.79%）：固液比（1:9.858）、酶用量（6064.85 U/g）和反应时间（6.11 小时）。全面的生化分析表明，该框架具有增强风味和抑制异味的双重能力。经过深度学习优化的水解物呈现出显著升高的鲜味相关氨基酸：谷氨酸（146.56 ± 1.45 mg/100g）和天冬氨酸（124.97 ± 0.45 mg/100g），分别比RSM和OAD高出10.05%/22.93%和43.01%/28.14%。增强甜味的甘氨酸（401.22 ± 1.11 mg/100g）和丙氨酸（224.31 ± 3.04 mg/100g）也显著增加（P < 0.05），而RSM优化工艺出乎意料地增加了苦味氨基酸，尽管其具有调节盐味的潜力。本研究建立了一种颠覆性的方案，将富含胶原蛋白的废料转化为优质鲜味成分，为解决可持续食品工程中的多方面挑战提供了可扩展的解决方案。
-
基于视觉变换器和多尺度卷积融合，在自然污染花生中检测黄麴毒素
查看原文
2025
Food Chemistry
中科院一区JCR一区
Cong Wang, Yifan Zhao, Hongfei Zhu, Weiming Shi, Qiong Wu, Huayu Fu & Zhongzhi Han
食品标签
豆类与坚果（及籽类） 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 模型轻量化/边缘计算 分类/鉴别/等级评定 红外/拉曼光谱数据黄麴毒素是一种高毒性物质，存在于花生中，对人体健康构成严重威胁。为解决这一问题，提出了一种改进的1D-MCFViT模型，结合视觉变换器与多尺度卷积融合，用于在自然条件下检测黄麴毒素污染的花生。数据清理后，获得了RGB图像中无法区分的采样，并提取了其光谱曲线。数据生成采用自编码器网络和高斯重采样技术，显著提升了模型的特征辨别能力。该方法在验证集上实现了92.6%的准确率和94.4%的召回率，比1D-ViT模型提高了1.23%的准确率。比较了传统机器学习和深度学习模型在数据生成前后的表现，证明该方法优于传统机器学习模型以及主流深度学习模型。这种方法提高了黄麴毒素检测的准确性，并为开发在线检测设备奠定了坚实基础。
-
时间营养分析将饮食规律性和质量与肠道微生物多样性联系起来：来自Food & You数字队列的见解
查看原文
2025
Nature Communications
中科院一区JCR一区
Jakub Jasiński, Joakim Hagel, Samuel Brem, Edith Wietek, Takashi Taniguchi, Kenji Watanabe, Alexey Chernikov, Nicolas Bruyant, Mateusz Dyksik, Alessandro Surrente, Michał Baranowski, Duncan K. Maude, Ermin Malic & Paulina Plochocka
食品标签
肠道健康与微生物相关功能 其他方法 益生菌/益生元/合生元计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 文本/知识库/法规数据新的研究证据表明，用餐时间（即“时间营养”）会对代谢健康产生影响，但其与肠道微生物群之间的关系仍不为人所充分理解。在此，我们利用“食物与你”数字样本队列来探究饮食规律和质量与肠道微生物多样性之间的关联。我们从一个庞大的人群中收集了详细的饮食日志和微生物样本，以量化饮食模式。我们训练了机器学习模型，根据饮食特征来预测肠道微生物多样性（香农指数）。我们的分析表明，饮食规律——特别是用餐时间的稳定性——是肠道微生物多样性的一个强有力的预测指标，且不受饮食质量的影响。特征重要性分析显示，不规律的饮食安排与较低的微生物多样性以及不良细菌种类的丰富度有关。这些发现强调了“何时进食”对于维持健康肠道生态系统的重要性，同时也展示了数字样本队列与机器学习相结合在个性化营养研究中的应用价值。
