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 289 条结果
-
便携式近红外高光谱技术与机器学习融合,实现豌豆蛋白溶解度的同时预测与分类
查看原文2026
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Xuchun Zhu, Bingyu Chen, Koris András, Feiyue Ren, Zhaowei Han, Xinmiao Yao, Ye Zhou, & Hongzhi Liu
食品标签
豆类与坚果(及籽类) 蛋白质配料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 随机森林 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据便携式近红外(NIR)光谱结合多元分析被用于开发豌豆蛋白溶解度的定量和分类模型。最优定量模型(D1-CARS-PLSR)使用了十四个特征波长,在预测集上的决定系数(R P 2)为0.93,预测均方根误差(RMSE P)为0.03。跨年份验证得到的决定系数(R 2)为0.99,平均绝对误差(MAE)为0.01,平均相对误差(MRE)为3.86%。最优分类模型(S-G-D2-UVE-RF)仅需四个特征波长,在预测集上达到100.00%的准确率。所有类别的平均精确率、召回率和 F1 分数均超过 0.90,同时五折交叉验证的准确率为 96.25%,整体跨年度验证的准确率为 91.30%。置换检验结果的平均准确率为 38.60%。本研究实现了豌豆蛋白溶解性快速、无损的分析,为食品质量控制提供了理论基础。
-
利用机器学习和深度迁移学习融合高光谱与RGB数据估算小麦蛋白质和面团流变学特性
查看原文2026
Current Research in Food Science
中科院一区JCR一区Shaohua Zhang, Qianya Cheng, Tiantian Wang, Changjun Dai, Jichun Tian, Wei Feng, Chenyang Wang, Tiancai Guo, & Li He
食品标签
小麦 品质、结构与理化性质 质构与流变性质 显微与成像技术 常规理化指标测定 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 梯度提升决策树 迁移学习/领域自适应 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱 可见光/RGB/视频数据 质构/流变/感官数据快速、无损估算小麦蛋白质特性和面团流变学特征,对于保障加工品质、食品安全和品种分类具有重要意义。本研究建立了一个融合高光谱和红绿蓝(RGB)数据的多源遥感框架。研究提取小波特征(WFs)和颜色指数(CIs),并采用Pearson相关分析结合连续投影算法—方差膨胀因子法(SPA-VIF)进行特征选择,随后使用偏最小二乘回归(PLSR)、极端梯度提升(XGBoost)和基于注意力机制的多任务学习模型(MTL-AM)预测小麦蛋白质及流变学性状。结果表明,小波特征与RGB图像的融合显著提高了模型预测精度,XGBoost和MTL-AM的估算性能显著优于PLSR。为进一步提高粉质仪质量数(FQN)的估算精度,组合式MTL-AM—XGBoost模型取得了最高精度,其R²为0.982、RMSE为8.975、MAE为7.087、RPD为6.077。本研究为小麦功能品质的无损、高通量监测提供了一种有效的技术方案。
-
使用共聚焦拉曼显微镜结合机器学习区分混合奶酪中的植物蛋白和乳蛋白及其相互作用
查看原文2026
Food Chemistry
中科院一区JCR一区Di Lu, Cushla McGoverin, Debashree Roy, Alejandra Acevedo-Fani, Harjinder Singh, Mark Waterland, Yi Zheng, & Aiqian Ye
食品标签
奶酪 蛋白质配料 微观结构与成像 显微与成像技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 可见光/RGB/视频数据对植物性替代乳蛋白需求的增加促使了混合加工奶酪类制品(HPCAs)的开发,这类制品将植物蛋白与酪蛋白结合。然而,它们复杂的微观结构和分子相互作用仍知之甚少。本研究将共聚焦拉曼光谱与先进的机器学习相结合,对含有绿豆蛋白分离物(MPI)或大麻蛋白分离物(HPI)与酪蛋白的HPCAs进行了高分辨率空间映射和分子表征。这种整合有助于区分蛋白质来源并阐明结构变化。酪蛋白的添加改变了HPI的结构,促进了结构无序、二硫键重排,并使酪氨酸二重峰比从HPI100的4.5急剧下降到HPI50的1.2。相反,酪蛋白与MPI的相互作用导致了微观结构的分离和β-折叠含量的变化(从MPI100中的53%降至MPI30中的20%)。这种综合方法代表了分析复杂食品系统中蛋白质结构和相互作用的一个有力工具。
-
基于新建鲜鲆副溶血性弧菌预测模型的情景化风险估计
查看原文2026
LWT
中科院一区JCR一区Soo Min Park, Jin Hwa Park, Seok In Hong, & Hyun Jung Kim
食品标签
鱼肉 暴露评估与风险表征 传统统计分析与回归 蛋白质与氨基酸计算机标签
机器学习/统计学习 定量预测/回归分析 合成/仿真数据为主本研究使用比现有副溶血性弧菌鲜鲆模型中菌株生长潜力更高的菌株,建立了鲜鲆中副溶血性弧菌的预测生长模型。生长数据拟合 Baranyi 模型和二阶多项式模型,两者均表现出较高预测性能。二级模型在胰蛋白胨大豆肉汤中针对单个菌株的决定系数 R2 为 0.977-0.992,在鲜鲆中针对混合菌株的 R2 为 0.997。验证指标显示模型拟合可接受,TSB 中偏差因子为 0.974-1.132,鲜鲆中为 0.969;准确因子分别为 1.038-1.169 和 1.047。研究还采用模拟波动温度曲线验证模型,确认其具有较高预测性能。随后使用 Monte Carlo 模拟比较基线、夏季和冬季三种季节情景下食用即食鲜鲆引发弧菌感染的风险。本研究开发模型估计的感染概率在所有情景下均高于以往模型。结果强调了海产品流通过程中严格温度管理的重要性,并表明所建模型可作为微生物风险评估和海产品安全管理的现实有效工具。
-
高光谱成像预测乳清蛋白-beta-glucan 共轭物中类黑精参数的可行性
查看原文2026
LWT
中科院一区JCR一区Mohammad Hossein Nargesi, Somayeh Aziznia, & Kamran Kheiralipour
食品标签
乳清及乳清制品 过敏原与毒性问题 氧化、褐变等化学变化 显微与成像技术 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据Maillard 反应是还原糖与蛋白质氨基之间发生的非酶褐变过程,在食品化学中具有重要作用,既可增强蛋白功能性并生成抗氧化和抗菌化合物,也可能在不利条件下产生有毒或致癌物质,因此需要谨慎监测。本研究评价了高光谱成像监测 Maillard 反应过程中类黑精形成的可行性。基于人工神经网络的预测模型可准确估计关键反应参数,包括高级 Maillard 产物、抗氧化活性和糖基化程度,准确率分别为 94.27%、95.88% 和 87.06%。偏最小二乘回归也表现出较强预测能力(R2 > 96%),而支持向量回归准确率较低(R2 = 75-78%)。结果表明,高光谱成像结合机器学习可作为一种快速、无损工具监测 Maillard 反应参数,并具有优化热加工和保障食品品质的应用潜力。