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 291 条结果
-
基于酵母微菌落成像的深度学习技术实现食品中酵母物种的快速分类
查看原文
2025
Food Research International
中科院一区JCR一区
Hyeon Woo Park, J. Mason Earles & Nitin Nitin
食品标签
果蔬汁/浓缩汁 其他添加剂与配料 微生物安全 显微与成像技术 微生物与发酵实验计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据多种酵母物种常见于食品及食品生产环境中。腐败酵母污染食品带来重大挑战，导致品质下降和食品浪费。同样，在发酵过程中引入不良菌株也会对发酵质量和进程造成严重影响。传统检测方法需要对可见酵母菌落进行分离以进行遗传或生化鉴定，耗时5-7天且需要大量人力。本研究提出了一种基于深度学习的酵母分类方法，该方法结合了传统培养方法、微菌落白光光学显微术和深度学习技术，以实现酵母的快速检测与分类。利用深度卷积神经网络，该模型能在6小时内准确区分7种不同酵母，平均精确率（mPrecision）达96.0%，平均召回率（mRecall）达96.3%。生成对抗网络（GAN）模型生成的合成图像数据集进一步提升了初始分类性能较低的两种酵母——汉逊德巴利酵母（Debaryomyces hansenii）和异常威克汉姆酵母（Wickerhamomyces anomalus）的模型性能。在训练过程中加入合成图像后，W. anomalus的精确率和D. hansenii的召回率分别提高了7.7%和5.6%。该酵母分类模型在存在微观食品残渣的条件下进行了验证，以番茄和番茄汁分别作为新鲜农产品和加工果汁的代表性样本。模型在存在食品残渣的情况下仍保持了高分类准确率（平均精确率和平均召回率均>93.9%）。总体而言，该方法通过结合传统培养、简单白光显微术与深度学习，显著加速了酵母物种的检测与分类。实验方法成本低、深度学习模型鲁棒性强，使其成为食品工业中用于常规酵母监测和腐败控制的一种高度适用的方法。
-
数据驱动的融合卷积神经网络框架，用于预测不同食品的频率依赖性微波加热性能
查看原文
2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Ran Yang & Jiajia Chen
食品标签
物理辅助加工 统计建模与仿真计算机标签
卷积神经网络 过程控制与实时优化互补频率切换策略已被开发为改善固态微波加工中加热均匀性的一种有前景的方法。然而，需要广泛的频率扫描阶段来收集所有频率相关的热分布图，这消耗了约20%的总加热时间（约6分钟加热周期中的1分钟）。本研究引入了一种数据驱动的融合卷积神经网络模型，该模型能够预测多个频率相关的热分布图，而仅需收集一个分布图作为种子，从而有效消除了动态频率切换过程中耗时的频率扫描阶段。优化后的模型显示出良好的预测精度，结构相似性指数约为0.9，均方根误差值为0.86°C。训练好的模型具有通用性，可以无缝应用于各种种子频率、食品材料和几何形状。统计分析表明，模型性能不受所用种子频率或所涉食品材料的影响，而训练数据集中未包含的食品几何形状可能导致预测精度下降；尽管如此，无论这些潜在影响因素如何，该模型仍能正确定位热点和冷点，这对于确定用于切换的互补模式至关重要。多物理场模拟表明，应用于动态频率切换的优化模型在加热过程中显示出更稳定的温度变化，可能有助于增强食品品质保持。
-
基于人工智能辅助比色-荧光双模式纸传感器的食品新鲜度实时监测：介孔Cu2O尺寸效应调控研究
查看原文
2025
Chemical Engineering Journal
中科院一区JCR一区
Zixin Jin, Zhiwei Liu, Ziwuzhen Wang, Yuqing Yang, Hongyu Shi, Caixu Fan, Yamin Liu, Qiuyue Ji, Wei Sheng, Long Ma & Shuo Wang
食品标签
品质、结构与理化性质 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 定量预测/回归分析食品新鲜度评估是质量控制的关键指标，其中腐败指示物的及时检测对保障食品品质至关重要。挥发性胺类（VAs）作为总挥发性盐基氮（TVB-N）的核心组分，是评估食品新鲜度与腐败程度的重要指标。本研究报道了具有可控孔径（60、140、240 nm）介孔Cu O的合成，并通过铂纳米粒子的原位还原构建了高性能纳米酶（P60-Cu O@Pt、P140-Cu O@Pt、P240-Cu O@Pt）。系统研究表明，催化活性存在比表面积尺寸依赖性增强效应，其中基于PS140的纳米酶展现出最佳性能。通过将P140-Cu O@Pt与CdSe/ZnS量子点（QDs）集成于纸质基底，构建了双模式传感平台。该传感器通过pH介导的胺类化合物配位作用（源于蛋白质分解过程中释放的氨基化合物），实现了挥发性胺类物质（VAs）的比色-荧光同步检测，其检测限（LOD）分别达到0.834 mg/L（比色法）和0.906 mg/L（荧光法）。此外，研究还实现了一种基于卷积神经网络（CNN）的回归模型，用于实时数据分析，能够以99%的准确率进行定量腐败预测。这种环保、低成本的传感器对储存环境表现出卓越的适应性，并具备集成至智能包装系统的潜力。该技术可为消费者和供应商提供即时新鲜度反馈，从而减少食品浪费并预防食源性疾病。
-
利用多模态分子光谱融合，深度学习算法辅助无损检测鲑鱼肉的TBARS值
查看原文
2025
Food Chemistry
中科院一区JCR一区
Minqiang Guo, Hong Lin a, Hua Feng, Limin Cao, Jianxin Sui, Xiudan Wang & Kaiqiang Wang
食品标签
鱼肉 氧化、褐变等化学变化 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 卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据本研究提出了一个深度学习框架，用于在不同储存条件下（−20、0、4、20°C及动态温度）下，通过硫代巴比妥酸反应物质（TBARS）量化鲑鱼肉脂质氧化的无损性评估。通过将多模态分子光谱（近红外和拉曼）与卷积神经网络（CNN）整合，研究在预测TBARS值方面相较于偏最小二乘回归（PLSR）和长短期记忆（LSTM）模型实现了更高的准确性。CNN在R语言中取得了更优的表现2p = 0.866，RPD = 4.136。其端到端架构和频谱数据融合提升了预测的鲁棒性，并实现了鲑鱼质量的实时、非侵入式监测。该方法满足行业对高效冷链质量评估的需求，提供可扩展的解决方案，优化新鲜度评估和消费者满意度。总体而言，该方法论展示了将多模态光谱与深度学习结合的强大潜力，能够推动动态储存环境中的食品质量分析。
-
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。
