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 712 条结果
-
基于 HS‑SPME‑GC–MS/MS 与电子鼻结合多元数据分析解析不同色泽番茄果肉的香气特征差异
查看原文2026
Food Chemistry: X
中科院一区JCR一区Junrong Xu, Yushi Lu, Jing Cui, Yunzhi Liu, Wenjin Yu & Changxia Li
食品标签
新鲜水果 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据本研究采用顶空-固相微萃取-气相色谱-三重四极杆质谱(HS-SPME-GC–MS/MS)与电子鼻(E-nose)对4种色泽、共16个品种番茄的果肉香气轮廓进行表征。共定性与半定量鉴定出154种挥发性有机化合物(VOCs),包括29种醛类、22种烃类、21种醇类、32种未知化合物及其他物质,其中醛类丰度最高。通过相对气味活度值分析筛选出26种特征VOCs,推测为番茄风味的主要贡献物质。同时探究了电子鼻传感器响应与GC–MS/MS挥发性物质轮廓间的相关性,并构建机器学习模型,显示其在番茄色泽判别方面具有潜在应用价值。最后通过多元数据分析筛选得到16种可指示果实色泽的VOCs。本研究可为番茄风味评价提供参考,并为后续番茄风味改良提供化学基础,相关结论尚需结合感官验证进一步确认。
-
用于啤酒糟贮藏质量监测的组成动态、挥发组谱分析和基于高光谱的预测建模
查看原文2026
Food Control
中科院一区JCR一区Pramod Aradwad, Arman Arefi, Sharvari Raut, Ahmed Abdelfattah, Mulugeta Admasu Delele, Cornelia Rauh, & Barbara Sturm
食品标签
奶酪 酒精饮料 颜色与外观品质 特征风味 显微与成像技术 常规理化指标测定 其他植物化学物质计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据啤酒糟是酿造过程产生的营养丰富副产物。然而,其货架期较短且受环境条件驱动,这限制了其在动物饲料之外的应用。本研究使用非侵入式高光谱成像和侵入式分析技术,考察 4、20 和 35 °C 贮藏条件对啤酒糟品质的影响。在 20 和 35 °C 贮藏过程中,糖类、脂肪、淀粉、蛋白质和半纤维素显著降解,降幅分别为 78.2-79.0%、21.4-33.3%、14-19%、9-15% 和 20.3-34.4%。相反,总酚含量增加 30-130%,抗氧化活性提高 1.7-7.8 倍,pH 从 6.4 升至 8.8。共有 65 种挥发性化合物表现出随温度和时间变化的动态特征。1-辛烯-3-醇、甲酸、辛酸、丁酸、2-丁酮和酰胺等关键异味化合物与 20 和 35 °C 贮藏啤酒糟中的酸败、酸味、奶酪味、泥土味和苦味相关。20 °C 贮藏 24 h 和 35 °C 贮藏 12 h 后,颜色、pH、黏性和气味发生明显变化。KEGG 通路分析显示,丙酮酸代谢、角质/木栓质和蜡生物合成、α-亚麻酸代谢以及酪氨酸代谢是主要代谢通路。高光谱成像结合机器学习能够准确预测总酚、总色差、糖、蛋白、pH 和脂肪等关键品质参数,并识别与化学和物理变化相关的特征波长。空间分布图提供了腐败进程的实时可视化。这些结果表明,高光谱成像作为快速、非侵入且成本效益较高的技术,可用于啤酒糟实时质量监测和货架期管理,并支持其更广泛的高值化利用。
-
一种基于 VOTCA 的可见近红外光谱建模方法用于解决食品质量分析中的样本差异与生产线差异
查看原文2026
Food Control
中科院一区JCR一区Yong Hao, Shun Zhang, Xinyu Chen, & Chuangfeng Huai
食品标签
复合/即食/餐饮食品 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 碳水化合物与糖类计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据不同采收期样本特性的变化以及光谱仪组件不一致,常常削弱模型的可迁移性和稳健性。为解决这一问题,本研究提出了一种新的模型更新策略,即变量优化迁移成分分析,用于构建具有更强适应性的通用模型。研究分析了来自七个采收期和两条分选线的雪桃样本可见近红外光谱,以预测可溶性固形物含量。研究还将 VOTCA 与两种常用模型更新方法,即分段直接标准化和光谱空间变换进行比较。在采收期迁移场景中,VOTCA 获得了更好的预测精度,Rp 为 0.852,RMSEP 为 0.675,RPD 为 1.910;在跨仪器迁移任务中,VOTCA 也表现更优,Rp 为 0.906,RMSEP 为 0.683,RPD 为 2.365,优于 PDS 和 SST。此外,VOTCA 在预测新批次时不需要额外校准集,因此是一种适用于动态生产环境实时质量评估的灵活高效方法。
-
机器学习增强型电化学传感平台用于食品样品中多种抗生素的同时检测
查看原文2026
Food Chemistry
中科院一区JCR一区Ting Zhang, Yuan Sun, Xin Zhang, Wenyu Cui, & Rui Liu
食品标签
液态乳 蜂蜜等天然糖 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
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据食品中抗生素残留的日益普遍对全球公共健康构成了重大威胁。为应对这一关键问题,我们开发了一种新型人工神经网络(ANN)增强的电化学传感器,该传感器基于ZIF-8/MnMoO4/MWCNTs修饰的玻碳电极(GCE),具有高灵敏度,可实现复杂食品基质中氯霉素(CAP)、呋喃唑酮(NFZ)和甲硝唑(MNZ)的同时检测。该传感器表现出优异的分析性能,检测线性范围宽(0.005 - 00.00 μM),检测下限极低,分别为0.08 μM(CAP)、0.29 μM(NFZ)和0.23 μM(MNZ)。值得注意的是,通过良好分离的氧化峰实现了高选择性,而且共存物质的干扰可忽略不计(在牛奶和蜂蜜样品中进行的实验得到了可靠的结果,回收率在90.0%至110.0%之间,相对标准偏差(RSD)低于4.07%,这证实了该传感器在实际食品基质检测中的适用性)。为了进一步提高分析性能,采用了机器学习(ML)模型来优化检测参数并提高预测准确性。具体而言,利用了反向传播人工神经网络(BP-ANN)进行信号解析,实现了超过93%的预测准确率,并显著降低了回归误差。总体而言,这种智能电化学传感器在实际食品样品分析中表现出稳健的性能,突显了其作为未来多种抗生素残留食品安全监测实用平台的巨大潜力。
-
基于集成学习解析中国传统酸面团的微生物群落复杂性
查看原文2026
Food Research International
中科院一区JCR一区Yan Liu, Jinyu Wang, Shiwei Zhou, Feijiang Li, Honghong Cheng, Zheqing Zhu, Jiale Wang, Aowen Liu, Ting Lu, Yujuan Yu, Senmiao Tian, Min Zhang, Faizan Ahmed Sadiq & Guohua Zhang
食品标签
谷物发酵食品 其他品质相关性质 过程优化与控制策略 发酵工艺与动力学 理化与结构表征 咖啡因计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据 多模态/融合数据酸面团发酵依赖于由真菌和细菌组成的动态微生物群落,其形成受种间相互作用和环境条件的影响。本研究分析了来自中国十个省份的115份酸面团样品(包括26份干样品和89份湿样品)的微生物群及理化特性,并采用集成学习方法将微生物组成与理化性质相关联,揭示了支撑发酵结果和群落结构区域差异的关联关系。在干样品中,戊糖片球菌(39.46%)和短乳杆菌(11.02%)占主导地位,而湿样品则以旧大陆果乳杆菌(51.27%)为优势菌。酿酒酵母被认定为酸面团微生物群中的优势核心酵母菌种(在所有样品中检出率超过50%,且在各组中均位列前五)。扣囊复膜孢酵母、植物乳杆菌和肠膜明串珠菌为核心细菌菌种。集成学习与丰度排序鉴定出了西宫皮肤球菌、奥默柯达酵母及叶状巴克利酵母等稀有类群,尽管它们在酸面团微生物群中丰度较低,但与理化指标呈现显著相关性,不过其功能作用尚未明确。微生物群落结构与水分含量、pH值和总酸度等理化条件密切相关,这凸显了在设计用于酸面团发酵的稳定合成菌群时,考虑这些参数的重要性。本研究为不同区域和样品类型的酸面团微生物组结构与功能提供了基础性见解。通过将微生物群数据与理化特性相结合,我们证实了机器学习在揭示关键微生物-环境关系方面的潜力。这些研究结果为合理设计稳定、定制化的发酵剂以优化酸面团发酵提供了支撑。