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
-
基于微生物组特征和有监督机器学习对真空包装牛肉胀袋的预测
查看原文
2025
International Journal of Food Microbiology
中科院一区JCR一区
Frederico Schmitt Kremer, Rafaela Da Silva Rodrigues, Wellington Pine Omori, Rafael Rodrigues De Oliveira, Gabriel Alves Silva De Oliveira & Luís Augusto Nero
食品标签
畜肉 微生物安全 包装设计与机械性能 微生物组/宏基因组学计算机标签
随机森林 梯度提升决策树 模型可解释性 分类/鉴别/等级评定 组学数据 小规模数据集真空包装牛肉产品的保鲜对于维持货架期至关重要。然而，胀袋现象的发生——其特征是由于腐败微生物产生气体导致包装膨胀——仍然是一个难题。在本研究中，我们证明了利用下一代测序（NGS）和机器学习进行的微生物组分析可能有助于对真空包装牛肉的腐败和胀袋现象进行分析、建模和预测。牛肉样本（n = 10）经过真空包装后，分别储存在4°C和15°C条件下，并在0小时、7天、14天、21天和28天时基于NGS对其微生物群落进行监测。我们的分析能够根据牛肉初始微生物组信息和储存条件预测胀袋现象，确定与腐败相关的不同细菌属和温度之间的关系（这与差异丰度分析结果一致），并评估温度与胀袋现象之间的关系。通过SHAP（沙普利可加解释）对XGBoost模型进行解释，我们发现当考虑第0天的微生物组数据时，温度是胀袋预测中影响最大的因素。此外，基于OTU斯皮尔曼相关性和线性回归（按时间计算）对随机森林和XGBoost模型进行的SHAP分析显示，消化链球菌属（Peptoniphilus）是最重要的细菌属，其次是哈夫尼菌属（Hafnia）和消化链球菌属（Peptostreptococcus）。进一步的研究可能会将这些方法扩展到其他肉类、不同部位的肉以及更多储存条件下，从而更好地模拟与胀袋现象相关的微生物组动态变化。
-
近红外与拉曼光谱融合机器学习策略：南美白对虾新鲜度的非破坏性快速评估与TVB-N值预测
查看原文
2025
Food Research International
中科院一区JCR一区
Zhenxing Tian, Yanyan Wu, Ya Wei, Yongqiang Zhao, Chuang Pan & Yueqi Wang
食品标签
甲壳类 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据总挥发性盐基氮（TVB-N）是虾新鲜度的关键指标。然而，传统的检测方法繁琐、耗时且具有破坏性。本文提出了一种基于近红外（NIR）和拉曼光谱的快速、非破坏性方法，用于评估南美白对虾（Litopenaeus vannamei）的TVB-N含量。本研究基于三种机器学习方法（卷积神经网络、极限学习机和反向传播神经网络），结合低层和中层数据融合策略，构建了TVB-N含量预测模型。经过Savitzky-Golay平滑预处理后，采用SPA特征提取的近红外模型（预测决定系数R²p = 0.864）优于采用GA特征提取的拉曼模型（R²p = 0.784），两者分别是各自光谱的最优特征级预测模型。此外，中层数据融合策略与极限学习机模型的结合实现了最佳的预测性能，其R²p和预测均方根误差分别为0.986和0.677 mg/100 g。同时，经特征选择算法优化的特征级融合模型的R²值均超过0.96。这些结果证明了近红外与拉曼光谱在利用便携式仪器对虾进行非破坏性实时新鲜度监测方面的互补优势。
-
微生物碳水化合物工厂的智能设计：集成底盘-工具-策略框架
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Shuo Zhao, Xinghui Xie, Yuxiang Yang, Haibo Yu, Jing Wang, Lin Luo & Xingtao Zhou
食品标签
碳水化合物配料 加工与新加工技术 可持续性与资源高值化 过程优化与控制策略 微生物与发酵实验 其他统计建模方法 碳水化合物与糖类计算机标签
机器学习/统计学习 设计/生成与推荐 文本/知识库/法规数据 合成/仿真数据为主碳水化合物作为单糖通过糖苷键连接形成的天然聚合物，是食品、医药、农业和化工等领域应用广泛的生物分子。传统生产主要依赖提取或化学合成，而合成生物学的发展使微生物合成碳水化合物成为快速且环保的新途径。本综述提出构建碳水化合物合成微生物工厂的集成方法，首先阐明工业底盘菌株的生理代谢特性，系统评估用于预测建模和精准调控合成通路的计算与实验工具，进而分析涵盖通路优化、重构和动态调控的前沿代谢工程策略，最终建立碳水化合物生物合成系统智能设计的多维理论框架。
-
感官与消费者研究的生成式人工智能框架
查看原文
2025
Food Quality and Preference
中科院一区JCR一区
Kosuke Motoki, Julia Low b, & Carlos Velasco
食品标签
发酵食品及酱腌制品 感官科学与消费者研究 其他方法计算机标签
大模型与 LLM 文本/知识库/法规数据 多模态/融合数据生成式人工智能（GenAI）技术，如 ChatGPT，为感官科学和消费者科学领域带来了创新的能力。近期在感官科学和消费者科学方面的实证研究强调了生成式人工智能在例如人工智能生成的食品图像和食谱等方面的应用潜力。据我们所知，这是第一篇提出将生成式人工智能整合到感官科学和消费者科学研究与开发中的综合框架的论文。该框架强调了通过迭代过程如何将生成式人工智能应用于概念、设计和测试阶段。概念阶段利用生成式人工智能来生成研究概念（例如，提出诸如研究问题和假设之类的想法）。设计阶段使用生成式人工智能来制定研究设计。在此阶段，生成式人工智能协助创建和验证调查/实验刺激和测量尺度。测试阶段利用生成式人工智能来评估研究想法和设计，通过使用“硅样本”（即交互式调查，可提高参与度和回答质量）来进行评估。在测试阶段，基因人工智能还能分析非结构化文本数据，其文本分析的准确性和可扩展性要优于传统方法，甚至能跨越不同的语言和文化。本研究也指出了潜在的缺陷，如人工智能输出中的偏见、数据隐私和安全问题、过度简化、缺乏透明度以及基因人工智能用户对它的误解。本文通过强调基因人工智能在感官和消费者科学领域的潜力，鼓励其更广泛的应用，并同时指出其局限性，确保遵循高标准的伦理规范。
-
通过FT-IR光谱评估奶牛群和行业相关因素对帕尔马干酪PDO奶酪制作性状的影响
查看原文
2025
Food Chemistry
中科院一区JCR一区
Arnaud Molle, Andrea Summer, Giorgia Stocco, Douglas Fernandes Barbin, Adriana Henriques do Nascimento Rangel, Paolo Ceresa & Claudio Cipolat-Gotet
食品标签
奶酪 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据帕尔马雷吉亚诺原产地命名保护（PDO）奶酪因其生产体系特性，本身存在天然差异性，这也造成了奶酪制作原料牛乳在成分与理化性质上的不均一性。这种差异性会导致奶酪出品率及营养物质回收率出现波动。在常规生产实操中，无法对这些性状进行直接检测。因此，在各类间接分析技术中，红外光谱技术可依托乳品厂现场直接采集的牛乳光谱数据，实现对上述性状的预测。本研究旨在评估奶牛品种、养殖场、乳品加工厂及生产参数对奶酪加工性状预测效果的影响。研究采用分层交叉验证法，通过预测偏差量化该类差异性带来的影响。研究结果证实，不同乳品生产企业间存在显著差异，且奶牛品种的影响程度最大。将牛乳光谱与化学计量学方法相结合，可有效应用于帕尔马雷吉亚诺原产地命名保护奶酪的生产品质表征。
