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 364 条结果
-
比较机器学习策略以提高乳酸菌 PC4 发酵绿豆乳的抗氧化特性和香气质量
查看原文2026
International Journal of Food Microbiology
中科院一区JCR一区Ping Tang, Aliah Zannierah Mohsin, Nurul Hanisah Juhari, & Anis Shobirin Meor Hussin
食品标签
豆类与坚果(及籽类) 其他酱腌/发酵食品 特征风味 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 发酵工艺与动力学计算机标签
深度学习 支持向量机 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据本研究比较了最小二乘支持向量机(LSSVM)和人工神经网络(ANN)模型,并与 NSGA-II 算法结合,用于优化由植物乳杆菌 PC4 发酵绿豆乳。鉴于其优越的预测精度和泛化能力,LSSVM 被选为最终的多目标优化和实验验证模型。LSSVM 在预测精度和泛化能力上始终优于 ANN,尤其在数据不足的情况下,其所有响应的 R² 值均超过 0.97。通过 LSSVM 预测的最佳发酵条件(6.0 小时,37.0°C,接种量 1.99%)经过实验验证,显示在大多数参数上误差极小(< 5%)。GC-MS 分析证实,LSSVM-NSGA-II 优化的发酵条件有效抑制了异味醛(如己醛、壬醛),同时促进了有益挥发物的形成,包括 1-己醇、乙酰丁醇、酯类和芳香化合物。这些在抗氧化和香气特性上的针对性改进,凸显了这一数据驱动方法在提升植物基发酵饮料功能性和感官属性方面的有效性。
-
单细胞拉曼光谱-机器学习结合:嗜酸乳杆菌亚种乳酸双歧杆菌J12的快速精准株级鉴定
查看原文2026
Food Microbiology
中科院一区JCR一区Yixuan Jiang, Yu Deng, Bing Feng, Hongxing Zhang, Yuanhong Xie, Jingyu Gao, Xiaodong Song, & Junhua Jin
食品标签
发酵乳/酸奶 品质、结构与理化性质 光谱/色谱/质谱等分析方法 菌种筛选与特性评价 益生菌/益生元/合生元计算机标签
支持向量机 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 组学数据快速且准确地进行动物双歧杆菌的菌株级别鉴定,对于食品行业的益生菌质量控制和知识产权保护至关重要。本研究通过将单细胞拉曼光谱(SCRS)与机器学习(ML)算法相结合,建立了一种针对动物双歧杆菌亚种乳双歧杆菌 J12 的新型鉴定方法。分别收集了五株乳双歧杆菌亚种和七株异源乳酸菌的每株500-1000个有效单细胞拉曼光谱。SCRS 数据经过 t 分布随机邻域嵌入(t-SNE)、线性判别分析(LDA)和支持向量机(SVM)算法处理和优化。结果显示,处于停滞期的细胞表现出最明显的化学指纹,使得SVM模型能够以超过99%的准确率在五种目标菌株中识别J12。建立的方法显示出较高的稳健性:冻干细菌粉末的分类准确率和召回率均超过99.8%;人工混合样品中菌株的预测比例与理论值高度一致,平均绝对误差(MAE)小于0.5%,相关系数(R²)大于0.998;从商业酸奶中分离的J12的识别准确率仍高于99%。比较基因组学分析证实,J12独特的拉曼表型特征与其特定的基因组特征相关,从而在基因水平上验证了该方法的可靠性。这种无标记且无需纯培养的SCRS-ML方法为益生菌行业提供了一种快速且高精度的菌株特异性鉴定工具,并填补了高同源性B. animalis菌株快速检测的技术空白。
-
融合 X 射线计算机断层成像和机器学习的带壳核桃多缺陷识别与仁饱满度无损评估流程
查看原文2026
Food Control
中科院一区JCR一区Menglong Ma, Ming Zhang, Haitao Fu, Yixiao Wang, Ning Yang, Huang Dai, Fuwei Pi, Xiaodan Liu, & Jiahua Wang
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 显微与成像技术计算机标签
图像分割网络 支持向量机 缺陷/异物检测与定位 可见光/RGB/视频数据 中等规模数据集传统目视检测难以高效识别带壳核桃的内外部缺陷。本研究提出了一种融合 X 射线计算机断层成像和机器学习的无损流程,用于多缺陷识别和核桃仁饱满度评估。研究共分析 495 个 Wen-185 纸皮核桃,其中包括 45 个壳裂样品,以及 450 个健康、仁萎缩和虫害样品。研究利用 X-ray CT 图像,并采用 Canny 边缘检测和闭合轮廓分析进行壳裂检测,同时使用 U-Net 分割核仁和整果,核仁 Dice 系数为 0.89,整果 Dice 系数为 0.95。研究提取 12 个三维形态特征,并训练 GBDT、XGBoost、LightGBM、SVM 和 LDA 模型,采用 SHAP 进行特征解释。GBDT 和 XGBoost 对健康、仁萎缩和虫害核桃的分类准确率达到 0.99。仁壳比和体积估计与破坏性测量高度相关,其中仁壳比 R2 为 0.9839、MAPE 为 6.66%、RMSE 为 0.0178;核仁体积 R2 为 0.9896、MAPE 为 6.36%;整果体积 R2 为 0.9651、MAPE 为 2.57%。结果表明,X-ray CT 结合机器学习可用于核桃无损分选和内部品质评价。
-
DART-HRMS 结合机器学习用于山茶油掺假的快速检测
查看原文2026
Food Control
中科院一区JCR一区Ting Liu, Binfeng Zhang, Zhanwei Yang, Lecheng Shen, Yuancong Zhang, Wenchao Tang, Mei Wang, & Jing Li
食品标签
玉米 豆类与坚果(及籽类) 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 红外/拉曼光谱数据针对山茶油易发生掺假以及传统检测方法存在局限的问题,本研究首次将深度学习与实时直接分析高分辨质谱(DART-HRMS)结合,用于山茶油掺假的快速、无损、准确鉴别和定量。研究基于 DART-HRMS 分析纯山茶油、四种植物油(大豆油、玉米油、葵花籽油和橄榄油)及其掺假混合物所得质谱数据,构建高维特征向量,并采用主成分分析(PCA)和统一流形逼近与投影(UMAP)进行降维,形成三类特征数据集。在此基础上建立二分类、多分类和定量模型,系统比较逻辑回归、随机森林、支持向量机、XGBoost 和卷积神经网络等算法,并考察不同降维方法对模型性能的影响。结果表明,降维方法会显著影响模型表现:UMAP 提升了随机森林和 XGBoost 等树模型性能,但降低了支持向量机和逻辑回归等线性模型表现;PCA 通常导致整体性能下降。所有模型中,基于未降维特征训练的 CNN 表现最佳,二分类和多分类准确率分别为 98.95% 和 98.46%,定量检测也取得优良结果(R2P = 0.9920,RMSEP = 2.6%)。研究证明,DART-HRMS 结合卷积神经网络可可靠检测和定量山茶油掺假,为真实性鉴别提供有效技术手段。
-
定量描述分析与电子鼻结合机器学习方法快速预测消费者对切达奶酪的偏好
查看原文2026
Journal of Dairy Science
中科院一区JCR一区Ying Wang, Xinying Xu, Yadong Wang, Jian He, Ziyan Wu, Sharuna De, Xiaoyan Pei, Houxi Leng, & Bei Wang
食品标签
奶酪 特征风味 感官科学与消费者研究 问卷/市场与消费者研究 其他植物化学物质计算机标签
支持向量机 K-近邻 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据切达奶酪的消费者偏好受其香气特征的影响,香气是决定消费者接受度的关键感官属性。本研究创新性地将定量描述分析(QDA)与电子鼻(e-nose)技术相结合,系统地表征了中国市场上 27 种常见切达奶酪的风味特征。我们采用 QDA 对奶酪的六种气味属性进行评估,并利用电子鼻技术快速捕捉挥发性风味化合物。使用获取的 QDA 和电子鼻数据集,采用四种机器学习算法,即逻辑回归、高斯支持向量机、k 近邻和决策树,对中国消费者对切达奶酪的偏好进行分类和预测。该研究招募了152名消费者,他们根据偏好强度将自己的偏好分类为"喜欢""中性"和"不喜欢"。主成分分析显示,QDA和电子鼻数据的前两个主成分累计分别解释了总方差的58.5%和84.3%。在使用全特征集时,四种机器学习模型的分类准确率分别为87.5%、87.5%、75.0%和81.2%。在特征优化(排除QDA指标)后,模型性能显著提高,准确率分别达到87.5%、92.9%、87.5%和92.9%。该研究验证了将感官组学与机器学习方法结合用于预测奶酪消费偏好的有效性和应用潜力。它为根据中国消费者的口味偏好精确开发奶酪产品提供了关键技术支持,并对在乳制品行业实施以口味为导向的监管具有重要的实际意义。