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
-
基于近红外与傅里叶变换红外特征变量预测不同制备方法下天麻关键挥发性有机化合物及风味强度识别
查看原文2025
Food Research International
中科院一区JCR一区食品标签
谷物/块根/豆与坚果类 其他根茎类 加工与新加工技术 理化与结构表征 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 偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集为快速分析天麻采收后的风味品质,本研究结合近红外光谱、傅里叶变换红外光谱和顶空固相微萃取-气相色谱-质谱技术,构建了112个偏最小二乘回归模型,用于预测不同制备样品中的关键挥发性有机化合物并分析其特征波数。结果表明,酒制处理对其独特风味至关重要。近红外和傅里叶变换红外光谱策略均能准确预测关键挥发性有机化合物,其最优模型的决定系数超过0.9,残差预测偏差超过3.9。两种策略筛选出的特征波段不仅能用于预测其他重要的挥发性有机化合物,还能有效区分高风味强度的酒制天麻与其他方法处理的样品。验证集准确率分别为100%和83.33%。本研究为优化天麻的加工方法提供了理论基础和技术支持。
-
基于机器学习的大米品种—烹饪—咀嚼预测模型构建
查看原文2024
Food Research International
中科院一区JCR一区食品标签
大米 品质、结构与理化性质 感官科学与消费者研究 传统热加工 理化与结构表征 碳水化合物与糖类计算机标签
支持向量机 梯度提升决策树 卷积神经网络 循环神经网络 定量预测/回归分析 质构/流变/感官数据 中等规模数据集本研究建立了一个机器学习驱动的多尺度预测框架,用于量化大米理化特性、烹饪条件和口腔处理之间的关系。对56个大米品种的质地、形态和直链淀粉含量进行了表征,同时测量了体内咀嚼参数(咀嚼时间、咀嚼次数、唾液量)和食团特性(粒径、还原糖含量)。相关性分析确定硬度、胶粘性和咀嚼性是咀嚼行为的关键决定因素(r > 0.7),而谷粒长宽比则对食团粒径产生负面影响(r > 0.7)。开发了包括多元线性回归、极限梯度提升(XGBoost)、支持向量机(SVM)、长短期记忆网络(LSTM)和卷积神经网络在内的五种预测模型,其中LSTM在咀嚼预测上达到最优(测试R2 = 0.9499),SVM在食团特性预测上表现突出(R2 = 0.9168)。XGBoost模型有效捕捉了烹饪参数(烹饪时间、水米比)与质地之间的非线性相互作用(R2 = 0.8161)。级联模型(用于咀嚼预测的XGBoost-LSTM和用于食团预测的XGBoost-SVM)实现了从烹饪输入到口腔结果的端到端预测。该框架推进了大米加工和感官质量的数字化优化,为定制化食品设计提供了预测工具。
-
基于挥发组学与机器学习的鲑鱼新鲜度状态挥发性标志物识别
查看原文2025
Food Research International
中科院一区JCR一区食品标签
鱼肉 食品安全与风险评估 包装与智能监测 感官评价与方法学 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据新鲜度是决定鲑鱼品质和消费者接受度的关键因素。然而,驱动鲑鱼腐败的挥发性标志物和代谢途径,特别是在向次新鲜状态转变的关键过程中,仍然缺乏清晰的表征。本研究结合顶空固相微萃取-气相色谱-质谱联用技术和随机森林机器学习方法,系统鉴定了冷藏储存期间鲑鱼新鲜度的挥发性标志物。鲑鱼样品被分为三个不同的新鲜度阶段(新鲜:0-6天,次新鲜:7-8天,腐败:≥9天),以研究在4°C储存下的候选标志物。最初,单变量方差分析和正交偏最小二乘判别分析确定了189种差异显著的挥发性化合物。随后的随机森林建模将其缩小到40个具有高预测准确性的潜在标志物。进一步使用O2PLS和多变量线性回归的综合分析,确定甲基乙二醛、苯甲醇和乙酸为指示新鲜度渐进性下降的稳健候选标志物。这三种挥发性物质通过靶向分析得到了验证。代谢途径分析强调了苯乙烯降解、苯丙氨酸代谢、硫代谢、糖酵解/糖异生、丙酮酸代谢和赖氨酸降解是关键腐败途径。总体而言,这种基于挥发组学的策略为理解新鲜度转变过程中的挥发性腐败指标提供了宝贵见解,并为客观评估鲑鱼质量提供了一种有效的替代方法。
-
利用快速XRF技术结合先进机器学习追溯全球红茶产地
查看原文2025
Food Research International
中科院一区JCR一区食品标签
茶/茶饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
机器学习/统计学习 深度学习 支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集建立可靠的红茶可追溯性对于帮助防止茶叶欺诈至关重要。开发快速、准确、环保且用户友好的方法来区分红茶的地理原产地,对于保护地理标志产品具有重要意义。本研究使用X射线荧光光谱法对来自全球十个主要产茶区的791个正宗红茶样品的元素含量进行了定量分析。测量了茶叶产品中15种元素的浓度,并建立了十个地理标志区域的特征元素谱图。此外,使用两种无监督分析技术来可视化高维数据,并采用六种监督模型来区分这十个地理标志区域。结果表明,包括随机森林、支持向量机、K近邻、线性判别分析和深度学习多层感知器在内的机器学习模型,相比传统的偏最小二乘判别分析模型,表现出更优越的预测能力,识别阿萨姆茶的F1分数从66.1%提高到87–97.7%。多层感知器模型实现了最佳性能,在预测来自十个地理标志区域的532个真实样品的地理起源时,整体F1分数达到97.7%。这项研究为建立全面的全球红茶追溯系统奠定了基础,对防止全球茶叶欺诈具有重要意义。
-
机器学习驱动的特征风味化合物筛选:超高压处理对藏族鸡汤风味的影响
查看原文2025
Food Research International
中科院一区JCR一区食品标签
禽肉 复合/即食/餐饮食品 品质、结构与理化性质 非热加工技术 理化与结构表征 蛋白质与氨基酸 脂质与脂肪酸计算机标签
机器学习/统计学习 随机森林 模型可解释性 分类/鉴别/等级评定 小规模数据集鸡汤的工业化生产一直是个持续的挑战,凸显了寻找合适可持续加工技术的关键性。本研究探讨了各种超高压(UHP)时间(0、5、10和15分钟)对藏鸡汤风味的影响。当处理时间达到10分钟时,肌原纤维蛋白(MP)和小断片指数(MFI)的溶解度分别增加了66.41%和43.46%。α螺旋含量显著下降,而β螺旋含量则显著增加。这表明鸡肉中大分子的完全释放,导致鸡汤中的蛋白质、脂肪和糖等营养成分显著增加。因此,微纳米颗粒(MNPs)颗粒尺寸逐渐增大,导致了剥离和絮凝等不稳定性现象。此外,本研究整合了六个机器学习模型,开发了一种用于筛选藏鸡汤中特征风味化合物的新策略。在这些模型中,射频模型获得了最高的AUC值(AUC = 0.861),并且中位数残差相对较小,展现了其卓越的分类和预测能力。同时,其SHAP(SHapley加法解释)分析结果显示,己醛、2-戊基呋喃、1-辛烷-3-醇和硬脂酸是藏族鸡汤风味特征的关键贡献者。5′-IMP和Glu在多个模型中被一致识别为关键特征,凸显了它们在藏族鸡汤风味特征中的重要作用。这些成分共同构成了汤独特的口感。