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 2456 条结果
-
利用基于数字图像的指纹和化学计量学，分层认证速溶咖啡的地理来源
查看原文
2025
Food Chemistry
中科院一区JCR一区
Dâmaris Naara Chaves Candeias, Karoline Mendes Silva, Lucas Passos Bezerra, David Douglas de Sousa Fernandes & Paulo Henrique Gonçalves Dias Diniz
食品标签
咖啡饮料 显微与成像技术计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 可见光/RGB/视频数据本研究引入了一种新的两步分层框架，结合了基于数字图像的指纹和化学计量学，用于验证冻干速溶咖啡的地理来源。灰度、RGB和HSV色彩空间中的彩色直方图作为样本指纹，用于构建化学计量模型。利用HSV直方图、数据驱动的软独立类比建模（DD-SIMCA）和偏最小二乘判别分析（PLS单键DA）展示了最佳预测性能。这些模型分别在第一步和第二步准确分类了南巴伊亚和埃斯皮里图桑托的所有样本，并成功将它们与未申报来源的样本区分开来。这使得该测试集在类别建模和判别方法中均实现了100%的灵敏度、特异性和准确性。所提方法简单、经济且无损，提供了一个高效、环保且可靠的工具，用于现场验证速溶咖啡的真实性和地理来源。
-
机器学习驱动的食品包装用醋酸纤维素薄膜成分多目标优化
查看原文
2025
Food Chemistry
中科院一区JCR一区
Philomena Joy Lindsey, Sevanan Murugan, Emilin Renitta, Reshmi Shaheetha Sudheer & Biswanath Mahanty
食品标签
生物基/可降解材料 包装设计与机械性能 统计建模与仿真 其他特殊成分计算机标签
智能手机/其他 设计/生成与推荐增塑剂、交联剂和疏水性改性剂的最佳比例对于生物聚合物薄膜配方至关重要。在本研究中，制备了具有不同浓度聚乙二醇（PEG）、苹果酸（MA）和十六烷酸（HAD）的醋酸纤维素生物塑料薄膜。对所得薄膜的厚度（TH）、吸水性（WA）、透明度（TP）和平衡水分含量（MC）进行了表征。使用人工神经网络（ANN）和集成回归树对这些属性中的每一个都进行了建模。ANN模型与这些响应具有极佳的拟合度（R²：0.981–0.999，R²CV：0.928–0.978）。使用部分依赖性、局部可解释的模型无关解释和Shapley解释对模型进行了评估。单独优化预测的最小厚度为0.03毫米，最大透明度为43.14%，同时吸水性和水分含量低于检测极限。多目标优化建议的混合配方包含299.78毫克/克PEG、7.51毫克/克MA和44.00毫克/克HAD，同时保持厚度（0.06毫米）、水分含量（0.05%）和透明度（42.83%）。
-
基于G-四链体DNA酶的生物催化与智能电磁驱动微流控芯片联用技术用于四环素检测
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Li Wang, Wanwan Wang, Shumin Zhang, Jie Wei, Qingmin Chen, Tianhui Jiao, Anhui Lin, Quansheng Chen & Xiao-Mei Chen
食品标签
鱼肉 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他统计建模方法 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 可见光/RGB/视频数据本研究开发了一种智能电磁驱动微流控芯片，集成G-四链体DNA酶生物催化平台，用于四环素（TC）的快速灵敏检测。该传感系统通过荧光磁性碳点（M-CDs）的内滤效应和动态猝灭（激发/发射波长350/440 nm）实现TC信号响应，随后M-CDs-适配体上的G-四链体与血红素结合形成DNA酶，催化显色底物产生比色信号。微流控芯片通过编程控制磁性材料在功能槽中的穿梭，实现自动化检测。荧光法和比色法的检测限分别为11 μmol/L和43 μmol/L，罗非鱼样本的检测结果与高效液相色谱法一致。该平台为食品和环境中的痕量污染物检测提供了便携式智能解决方案。
-
可解释的多机器学习模型用于鸡胸木质化评分：整合理化分析和基于SHAP的特征重要性
查看原文
2025
LWT
中科院一区JCR一区
Hui Lu, Laixue Ni, Xiangli Chen, Xiaodong Zhu, Cong Yao, Lin An, Yunguo Liu, & Dacheng Kang
食品标签
禽肉 质构与流变性质 颜色与外观品质 常规理化指标测定 质构与流变测试计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 模型可解释性 分类/鉴别/等级评定 时序传感器/物联网数据 质构/流变/感官数据关于家禽业中鸡胸肉木质胸问题，本研究通过多指标分析系统评估了不同程度木质胸的质量差异。评估涵盖了pH值、颜色特性、保水性、质地特征以及电子鼻数据等参数。此外，提出了一种结合机器学习模型的协作策略，以构建有效的分类模型。选取了科宝白羽肉鸡的胸肉样本，并根据触感和视觉标准分为四组：正常胸肉（NB）、轻度木质胸（LWB）、中度木质胸（MWB）和重度木质胸（SWB）。质量指标随木质胸程度而变化（P < 0.05）。在众多机器学习模型中，BP-ANN 模型表现出最高的性能，其分类准确率为 95.83%，优于 SVM（91.67%）和 PLS-DA（87.50%）模型。通过基于 Shapley 加法解释（SHAP）的可解释性分析，在 SWB 组中，黏性和嚼劲成为主要因素，这与肌原纤维致密化和结构重组导致的加工性能下降相关。本研究的重点是开发鸡木胸快速检测与分级技术，为其快速识别和质量控制提供理论基础和技术支持。
-
整合动力学模型和BP人工神经网络预测即食沙拉中单核细胞增生李斯特菌的生长和保质期
查看原文
2025
LWT
中科院一区JCR一区
Wenqian Li, Qiongmin Wang, Zichen Deng, Yan Du, Yihuan Song, Tiangang Xu, Lei Shan, & Jingyu Chen
食品标签
预制菜/即食菜肴 微生物安全 货架期预测与品质劣变动力学 微生物计数与生长曲线计算机标签
机器学习/统计学习 定量预测/回归分析即食（RTE）沙拉因其方便性和健康益处而受到欢迎。然而，它们对冷藏的依赖增加了李斯特菌（Listeria monocytogenes）污染的风险。在本研究中，蔬菜沙拉（VS）以及添加了10%（10S）、20%（20S）和30%（30S）鸡胸肉的沙拉被接种了李斯特菌混合菌，并在4°C、10°C或15°C下储存14天。结果表明，更高的储存温度和更长的储存时间显著增加了微生物活性。鸡胸肉含量与总活菌数（TVC）以及李斯特菌生长之间呈正相关。在储存结束时，30S 的总活菌数比 VS 高出 8.57 ± 1.39 log CFU/g。根据逻辑模型计算，在15°C下，30S 的最大生长速率（μmax）为 0.0589 ± 0.0004 log CFU⋅g⁻¹⋅h⁻¹。含肉沙拉的保质期可达 9 天，而在整个储存过程中，VS 中 L. monocytogenes 的增殖保持低于 3.4 log CFU/g。此外，方程 μ max-30S = {0.0059 × (T 25.9983)} 2 被用于间接优化零售沙拉的保质期评估，并提供可靠的估计（R 2 = 0.9951）。该研究成功地将反向传播人工神经网络（BP-ANN）纳入，以验证传统动力学模型在预测 L. monocytogenes μ max 方面的准确性。在所有训练数据中均实现了大于 0.97 的 R 2。这些发现为优化储存操作和改进即食沙拉的食品安全风险评估提供了宝贵的见解。
