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
-
Umami-Transformer:一种用于鲜味肽高精度预测和实验验证的深度学习框架
查看原文2025
Food Chemistry
中科院一区JCR一区Baifeng Fu, Min Fan, Junjie Yi, Yingxue Du, Hong Tian, Tao Yang, Shuzhen Cheng & Ming Du
食品标签
其他添加剂与配料 感官科学与消费者研究 数值仿真 蛋白质与氨基酸计算机标签
其他深度学习结构 分类/鉴别/等级评定 组学数据在食品领域,鲜味肽的识别及其感官评价均受到传统方法效率低下和人工评估主观性的限制。为解决这些问题,研究人员将Transformer架构与8个理化描述符相结合,开发出了Umami-Transformer。该模型的分类准确率达0.965,F1分数为0.903,马修斯相关系数为0.889。研究人员对所有二肽至五肽进行了检测,合成了4种预测得分最高且对接亲和力较强的肽(DD、DDE、DDED和DDEDD)。感官分析和电子舌分析证实,浓度为1 mg/mL的DDE和DDED具有鲜味和咸味,其效果超过了浓度为3 mg/mL的谷氨酸钠。分子对接研究表明,鲜味肽的N端或C端存在天冬氨酸/谷氨酸残基,这会增强它们与鲜味受体的相互作用,从而引发鲜味感知。理论建模与味觉优化的实际应用相结合,可显著节约成本。
-
用于鉴别纯正和掺假金合欢蜂蜜的 FTIR-ATR 光谱和 PLS 回归组合模型的开发
查看原文2025
Food Control
中科院一区JCR一区Raffieh Fakhlaei, Arman Amani Babadi, Naziruddin Mat Ariffin & Zou Xiaobo
食品标签
蜂蜜等天然糖 品质、结构与理化性质 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据本研究评估了一种基于傅里叶变换红外光谱和衰减全反射技术(FTIR-ATR)的化学计量学模型,用于快速识别和估计蜂蜜中的掺假物。两种蜂蜜,即蜜蜂蜂蜜和无刺蜂蜂蜜,分别被酸类掺假物(乙酸、柠檬酸和罗望子提取物)以不同的浓度(1%、3%、5% 和 7%)以及糖类掺假物(液体玉米糖浆、蔗糖、棕榈糖和转化糖)以不同的浓度(1%、2% 和 3%)掺假。在FTIR分析前,测定了每种蜂蜜及其掺假样品的基本理化性质(白利糖度、水分含量、pH值和游离酸度)和糖含量(葡萄糖、果糖和蔗糖)。对所有样品,在中红外范围内采集FTIR光谱,并对得到的光谱进行偏最小二乘(PLS)分析,以建立用于测定蜂蜜样品中掺假物的模型。该PLS模型为掺有乙酸(0.95)、柠檬酸(0.98)、罗望子提取物(0.97)的蜜蜂蜂蜜,以及掺有液体玉米糖浆(0.99)、转化糖(0.91)、蔗糖(0.86)和棕榈糖(0.77)的无刺蜂蜂蜜产生了高决定系数(R²)。FTIR-ATR光谱与PLS回归模型的组合可以成为一种快速、可靠、无损的蜂蜜掺假检测方法。
-
利用拉曼光谱结合深度学习模型,定量测定棕榈油在热氧化过程中的酸价
查看原文2025
Food Chemistry
中科院一区JCR一区Shuxin Liang, Guoqing Chen, Chaoqun Ma, Chun Zhu, Lei Li, Hui Gao & Taiqun Yang
食品标签
植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 循环神经网络 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据精准监测酸值(AV)对食用油质量控制至关重要,但传统化学计量学方法在处理复杂光谱数据时往往存在局限性。本研究将拉曼光谱技术与卷积神经网络(CNN)、长短期记忆网络(LSTM)、Transformer等深度学习模型相结合,探究其在棕榈油热氧化过程中提升酸值定量检测精度与效率的应用潜力。研究结果表明,三种深度学习模型的预测精度均优于传统化学计量学方法;其中CNN-LSTM模型表现最优,预测决定系数(Rp²)达0.9978,预测均方误差(RMSEP)为0.0015,剩余预测偏差(RPD)为21.21。该方法验证了拉曼光谱结合深度学习技术用于酸值精准监测的有效性,后续可通过更多种类指标数据集进一步验证其适用性,也为食用油质量管控提供了全新的技术参考。
-
利用食源性抗菌序列特征通过GAT-MD整合对大肠杆菌抗菌肽进行合理筛选
查看原文2025
Food Chemistry
中科院一区JCR一区Qiqi Wang, Qiang Ma, Shiqi Chen, Ke Han, Huicong Wu, Zhiyue Feng, Qian Ran, Jiankang Ren, Xiaomei Wang, Boyan Sun & Haiyang Jiang
食品标签
微生物安全 动力学建模 蛋白质与氨基酸计算机标签
图神经网络 分类/鉴别/等级评定 超大规模/工业级数据集 公开数据集抗菌肽(AMPs)因其广谱活性和多模式作用机制,成为传统抗生素的潜在替代品。然而,大规模的实验筛选仍成本高昂且耗时。为加快抗菌肽的发现,本研究提出了一种基于图注意力网络和分子动力学模拟的联合筛选策略。该方法利用食品源生物活性肽数据库,从100,663,296条肽中高效筛选出对大肠杆菌ATCC 25922和耐甲氧西林金黄色葡萄球菌ATCC 33591具有活性的候选抗菌肽。实验验证证实,所识别出的抗菌肽AMP_321具有广谱抗菌活性,且稳定性优异、溶血活性低。机制研究表明,AMP_321通过破坏细菌膜完整性、诱导细胞外ATP释放以及促进细胞内活性氧积累来发挥抗菌作用。在食品模型中,AMP_321显著降低了牛肉和番茄表面的细菌污染,证实其作为安全有效的天然食品防腐剂的潜力。
-
基于高光谱成像与人工智能相结合的快速无化学技术用于监测虾干品质与货架期
查看原文2025
Food Research International
中科院一区JCR一区Ubonrat Siripatrawan & Yoshio Makino
食品标签
甲壳类 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱本文开发了一种基于高光谱成像与人工智能相结合的快速、无化学方法,用于监测虾干品质。将虾干包装于聚丙烯袋中,在30°C储存期间按时间顺序监测其品质指标的变化,包括虾红素、硫代巴比妥酸反应物、总挥发性盐基氮以及感官属性。使用可见光至近红外区域的高光谱成像系统获取虾干的超立方数据。获得的光谱数据可作为反映各品质指标变化的指纹图谱。在进一步数据分析前,采用移动平均平滑技术对反射光谱进行数学预处理,以消除光散射不均匀引起的变异性。使用主成分分析作为无监督机器学习方法,探索波长变量之间的关系并降低高光谱数据的维度。随后,采用前向反馈反向传播人工神经网络同时评估虾红素、TBARS、TVB-N和感官特性,其决定系数分别为0.96、0.95、0.92和0.93,均方根误差分别为1.12 µg/g、0.22 mg MDA/kg、3.19 mg N/100 g和0.68分。此外,基于ANN预测值构建了伪彩色分布图,以直观展示虾干随时间的品质变化。结果表明,结合人工智能的高光谱成像技术能有效评估虾干在储存期间的品质与货架期。