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 1098 条结果
-
基于溶剂的中红外光谱结合现代机器学习方法用于藏红花真伪鉴别
查看原文2025
Food Research International
中科院一区JCR一区食品标签
其他果蔬制品/植物类 香精香料 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法 植物化学/生物活性成分 花青素与类胡萝卜素计算机标签
机器学习/统计学习 偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集本研究展示了使用配备MIRA分析仪的溶剂中红外(MIR)光谱,结合现代机器学习/化学计量学技术,用于藏红花质量与真伪控制。分析了来自伊朗六个不同地理区域的111个真实藏红花样品。藏红花代谢物提取采用基于ISO 3632标准的改良溶剂提取方案,并通过实验设计(DOE)进行筛选和优化。研究聚焦于两个主要目标:地理来源鉴别和掺假检测。探索性数据分析采用主成分分析(PCA)。使用偏最小二乘判别分析(PLS-DA)进行地理来源鉴别,在测试集中达到93.0%的准确率,其中一阶导数是一个重要的预处理步骤。然而,使用随机子空间判别集成(RSDE)无需对MIR数据进行预处理,获得了更高的95.5%准确率。在下一阶段,使用MIRA分析仪检测了四种常见的植物基藏红花掺杂物,包括红花、万寿菊、茜草乃至藏红花花柱。数据驱动的软独立建模类别类比法(DD-SIMCA)成功区分了真实样品和掺假样品,实现了100%的灵敏度和特异性。随后使用PLS-DA和RSDE来识别掺杂物的类型和水平,RSDE明显优于PLS-DA,准确率超过94.0%,而PLS-DA的准确率超过90.0%。总之,基于溶剂的MIR光谱与现代化学计量学技术的结合,显示出作为现场藏红花质量控制的可靠工具的巨大潜力。
-
基于蒙特卡洛技术预测食品和蔬菜中农药残留保留时间的计算研究
查看原文2025
Food Research International
中科院一区JCR一区食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 光谱/色谱/质谱等分析方法 食品成分/消费数据库分析计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据 多模态/融合数据 中等规模数据集农药在通过控制生长过程中的害虫增殖来提高优质粮食作物产量方面起着至关重要的作用。然而,不当施用可能对人类健康构成重大风险。在本研究中,通过高效液相色谱(HPLC)测定的食品和蔬菜中农药残留的保留时间(tR)被使用定量结构-保留关系(QSRR)进行建模。通过分析一个包含823种农药残留的数据集,利用基于CORAL-2023软件实现的蒙特卡洛方法开发了QSRR模型。数据集被划分为四个子集:主动训练、被动训练、校准和验证集。采用化合物的SMILES符号来计算相关性权重描述符(DCW)。为了构建QSRR模型,使用了一种结合了SMILES和氢抑制图(HSG)表示的混合最优描述符。在蒙特卡洛优化过程中应用了三种目标函数TF0、TF1和TF2来生成模型。每种目标函数都进行了五次独立的建模迭代以进行稳健的统计评估,并随后比较了它们的性能。使用TF2目标函数开发的模型显示出良好到优异的预测质量,在外部验证集上的决定系数(R2)范围在0.813至0.842之间。从分割5获得的最佳模型展现出优越的验证指标(R2 = 0.842,IIC = 0.697,CII = 0.913,CCC = 0.915,Q2 = 0.835)。此外,从最佳模型中识别出了导致log tR增加和减少的关键分子片段。
-
基于不同机器学习模型结合遗传算法的液熏虹鳟鱼多品质属性预测与工艺参数优化
查看原文2025
Food Research International
中科院一区JCR一区食品标签
鱼肉 过程控制与数字化 氧化、褐变等化学变化 响应面分析与多因素优化 光谱/色谱/质谱等分析方法 脂质与脂肪酸 花青素与类胡萝卜素计算机标签
机器学习/统计学习 智能手机/其他 超参优化/自动机器学习 定量预测/回归分析 质构/流变/感官数据本研究的目的是通过四种机器学习模型结合遗传算法,预测并优化液熏虹鳟鱼的关键品质属性和工艺参数。研究采用Box-Behnken设计,将盐浓度(1–9 %)、烟熏液浓度(0.5–2.5 %)、烟熏温度(30–50 °C)和烟熏时间(3–5 h)与感官特性、硫代巴比妥酸反应物含量以及虾青素含量相关联。结果表明,在所有机器学习模型中,反向传播人工神经网络对多目标品质属性的预测准确度最高(R2 = 0.953,RMSE = 0.204),也高于传统的响应面方法(R2 = 0.847,RMSE = 0.376)。此外,遗传算法优化了工艺参数:盐浓度1.1%;烟熏液浓度0.93‰;烟熏温度42 °C;烟熏时间3.5 h。最后,将优化后的液熏虹鳟鱼与商业熏制鲑科产品作为参考进行比较。结果表明,与商业熏制鲑科产品相比,优化后的液熏虹鳟鱼具有显著更高的感官评分(41.6)、虾青素含量(6.62 μg/g)和多不饱和脂肪酸含量(64.99 mg/g),同时TBARS值(2.76 mg/kg)更低。挥发性成分分析证实了液熏虹鳟鱼具有均衡的风味特征,表明其市场前景良好。这是首次在熏制水产品中应用BP-ANN-GA混合模型进行多目标预测和工艺参数优化,为智能化水产食品制造提供了一个数据驱动的框架。
-
解码金华火腿的香气特征:基于风味组学的机器学习模型用于火腿年龄鉴别及硬件实现
查看原文2025
Food Research International
中科院一区JCR一区食品标签
禽肉 加工与新加工技术 食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据金华火腿是中国的地理标志农产品,在发酵过程中具有独特的风味。三年陈的金华火腿因其优越的风味和营养价值而备受推崇,但目前的年份鉴别依赖于工人的经验,存在较高的掺假风险。本研究采用气相色谱-质谱联用(GC-MS)和气相色谱-离子迁移谱(GC-IMS)分析了储存0.5年、1年、2年和3年的金华火腿中风味化合物的差异。通过气味活性值(OAV)≥ 1,从不同年份的金华火腿中鉴定出54种香气活性化合物,其风味从蘑菇味转变为柑橘/青草/黄油味,再到坚果味,最终以椰子、桃子和花香-脂肪香为主。通过绘制化合物含量分布图筛选出18种关键的鉴别性化合物。进一步,基于散点图和SHAP值,发现1-辛烯-3-醇和癸酸可用于鉴别火腿的年份。随后,构建了四种用于年份鉴别的机器学习模型(逻辑回归LR、支持向量机SVM、朴素贝叶斯NB和决策树DT),并表现出高准确率,最高达到100%。特别是,基于决策树分类模型构建了一个便携式火腿品质评估电路,因其良好的泛化能力和简洁的结构。本研究为利用GC-MS结合机器学习准确预测金华火腿的年份提供了理论基础。
-
基于深度神经网络的多目标预测在挥发组学中的应用:模拟改性气氛下热杀索丝菌产生的挥发性有机化合物
查看原文2025
Food Research International
中科院一区JCR一区食品标签
食品安全与风险评估 改良气调/控气贮藏 货架期预测与品质劣变动力学 微生物安全计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据 文本/知识库/法规数据 多模态/融合数据 中等规模数据集肉类微生物腐败与挥发性有机化合物(VOCs)和异味的产生有关。虽然预测建模有助于货架期确定,但预测挥发组非常复杂,因为相关的微生物代谢极易受到包装内O2/CO2组成的影响。传统的监督学习主要侧重于预测单一目标,而本研究引入了多目标预测(MTP)的概念,通过研究预测在不同包装气氛下热杀索丝菌产生的多种VOCs来展示该方法。所用数据集包括接种了热杀索丝菌的840个猪肉模拟培养基样品的总菌落数(TPC)、O2/CO2体积比和VOCs浓度,这些样品在20种不同气氛(O2: 0%–70%, CO2: 0%–60%,N2作为填充气: 0%–100%)下储存了不同时间(0–10天)。由于某些VOCs可以通过代谢途径相互关联,本研究首次在食品领域引入了一种双分支神经网络,用于预测配对输入之间的相互作用,即:(1)每个培养基样品中的微生物数量和气体比例,以及(2)每种VOC的代谢信息。基于MTP的回归和分类模型能够在基于其他19种气氛的数据进行训练和验证后,预测特定气氛下的VOCs水平。总体而言,这些结果表明了MTP在挥发组学中的巨大潜力。当处理基于真实肉类基质的更复杂数据集时,获取更多数据来表示实例(例如,肉类/微生物样品的微生物组或食品组学信息)和目标(例如,VOCs的化学信息)至关重要。