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 2456 条结果
-
用于食品安全分析的便携式设备与机器学习辅助侧流分析:进展与展望
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ying Wang, Minglu Wang, Jiarui Cui & Hongyan Zhang
食品标签
食品安全与风险评估 微生物安全 化学污染物 过程监测与在线检测计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据背景:摄入受细菌等生物危害、化学危害和环境污染物的食品会导致重大公共卫生问题。侧流分析(LFA)技术便于视觉获取定性结果,已得到广泛应用,尤其在资源有限的环境中。对于即时检测应用而言,必须准确定量分析物浓度并确保检测结果的可靠性。因此,迫切需要能够定量评估LFA结果的合适诊断平台。
范围与方法:本综述全面分析了LFA中常见信号的测量原理和发展趋势,深入探讨了LFA对各种便携式、快速、微型化及智能手机集成设备的适应性和优势。此外,特别探讨了机器学习与智能LFA平台设备的集成,以提升食品安全管理理论框架的智能化和效率。在强调智能平台辅助LFA在食品安全监测中益处的同时,我们也批判性分析了该领域当前的挑战和未来方向。
主要发现与结论:集成机器学习辅助LFA的智能平台,能有效提升LFA的检测灵敏度和稳定性,实现对食源性危害的快速、定量和灵敏检测,应对快速食品安全监测及其实际应用中的重大挑战。预计该技术将持续发展,并成为全球应对食品安全问题的重要工具。 -
基于机器学习的酿酒酵母发酵中模拟罐头肉风味的挥发性化合物谱预测
查看原文2025
npj Science of Food
中科院一区JCR一区Lin Du, Shujie Wang, Yongyan Chen, Zhongxu Zhu, Hai-Xi Sun & Tsan-Yu Chiu
食品标签
特征风味 风味组学计算机标签
梯度提升决策树 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 设计/生成与推荐 质构/流变/感官数据香气与精密发酵以激动人心的方式融合,使得芳香化合物的精确生产成为可能。精密发酵利用工程微生物高精度地创造和精炼气味与香气,允许定制化香气,为烹饪体验和消费品开辟了新的可能性。本研究汇编了来自罐头肉和发酵产品的挥发性化合物结构化数据,旨在训练机器学习模型,以预测酿酒酵母中的挥发性化合物并模拟肉类香气。我们提出了一个涵盖数据生成与预处理、特征选择、模型构建和评估的框架。主成分分析确保了数据质量控制,而基于嵌入法的特征选择识别了关键的挥发性化合物。开发了一个两阶段模型来量化挥发性化合物的重要性并预测肉类香气,其中梯度提升决策树模型表现出最优性能。我们的研究为通过发酵模拟肉类香气提供了指导,为植物基肉类调味提供了一种有前景的方法。
-
同位素辅助数据挖掘技术用于中国市场大米真伪鉴别
查看原文2025
Food Chemistry: X
中科院一区JCR一区Syed Abdul Wadood, Weixing Zhang, Yongzhi Zhang, Chunlin Li, Karyne M. Rogers, Wahab Ali Khan, Muhammad Azeem, Lina Wu & Yuwei Yuan
食品标签
大米 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 主成分分析/判别分析 分类/鉴别/等级评定 质构/流变/感官数据本研究旨在通过稳定同位素分析结合多变量分析和机器学习模型,对中国市场上销售的大米的地理来源和品种(粳稻与籼稻)标签进行鉴定。采用同位素比质谱法(IRMS)对大米中的δ13C、δ15N、δ18O和δ2H进行了测定,并通过主成分分析(PCA)和t分布随机邻域嵌入(t-SNE)进行分析,以可视化区域差异和品种差异。利用真实的田间样品开发了不同的机器学习模型(k近邻算法、支持向量机、随机森林),并使用市场来源的样品进行来源验证测试。结果显示,田间样品和市场标签样品之间存在显著的同位素差异,这表明可能存在品种和来源的错误标签问题。与主成分分析相比,t分布随机邻域嵌入在解析同位素数据中的非线性模式方面表现更优。在不同模型中,随机森林的分类性能略胜一筹。尽管这些模型在田间来源的样品上实现了完美的分类准确率,但应用于市场来源的样品时,性能出现了显著下降,这表明存在普遍的来源错误标签问题。
-
不同味肽对大脑感知的影响,通过头皮脑电图和味觉模型的开发
查看原文2025
Food Chemistry
中科院一区JCR一区Hongbo Li, Xuchao Feng, Zhenbin Liu, Wenting Wang, Lufei Tian, Dan Xu, Bimal Chitrakar, Zhenkun Cui, Liangbin Hu& Haizhen Mo
食品标签
风味组学计算机标签
支持向量机 分类/鉴别/等级评定 时序传感器/物联网数据传统的味觉评价方法通常依赖主观评判,容易引入人为偏差。为解决这一问题,本文提出利用脑电图(EEG)探究大脑活动与味觉感知之间的关联。脑电图分析结果显示,大脑特定脑区存在显著的活动差异,尤以Pz、FT7、F7和TP7电极点位最为明显,表明这些脑区在味觉信号处理中发挥重要作用。研究采用小波包变换对脑电图信号进行预处理,再通过共空间模式(CSP)与支持向量机(SVM)算法完成特征提取和分类。针对酸、甜、苦、咸、鲜五种味觉类别开展测试,整体预测准确率达0.7613,其中甜味的识别准确率最高,为0.8235。尽管酸味和咸味的预测仍存在一定难度,但本研究验证了将小波包变换、共空间模式与支持向量机相结合,应用于基于脑电图的味觉分类研究具备良好的可行性与应用潜力。
-
基于HS-GC-IMS检测VOCs的多任务深度学习用于姜黄粉地理溯源与掺假检测
查看原文2025
Food Control
中科院一区JCR一区Xiao Han, Tong Wu, Shixin Cen, Jie Yong, Xinrang Tian, Xinyi Li, Rui Sun, Minghui Liu, Heshui Yu & Zheng Li
食品标签
其他谷物与块根 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
深度学习 分类/鉴别/等级评定姜黄粉在全球烹饪中的广泛应用及其高市场需求,导致其易受经济利益驱动的掺假行为影响。本研究开发了一种基于顶空气相色谱-离子迁移谱(HS-GC-IMS)的检测方法。构建了利用深度学习算法的多任务学习(MTL)模型,同时执行地理溯源和掺假水平预测。该方法的性能通过与传统化学计量学方法和基于机器学习的单任务学习(STL)模型进行比较评估。化学计量学方法难以准确区分姜黄产地和掺假水平。STL模型在地理溯源中实现了高精度,但在预测掺假水平方面存在局限。相比之下,MTL模型不仅能精确分类姜黄产地,还能有效预测掺假水平,获得0.9651的决定系数、0.5640的均方根误差和0.4296的平均绝对误差。该研究成功建立了基于MTL的HS-GC-IMS方法,为姜黄粉掺假检测和食品安全保障提供了快速、准确的解决方案。