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 276 条结果
-
基于机器学习模型和栽培验证评估唐古特大黄的生态质量
查看原文2025
npj Science of Food
中科院一区JCR一区Bo Wang, Feng Xiong, Jianan Li, Lingling Wang, Xue Yang & Guoying Zhou
食品标签
其他果蔬制品/植物类 品质、结构与理化性质 理化与结构表征计算机标签
随机森林 K-近邻 梯度提升决策树 定量预测/回归分析 质构/流变/感官数据 中等规模数据集大黄广泛应用于食品、医药和工业领域。随着野生资源减少,栽培大黄的使用日益增多。然而,其品质因地区而异,因此需要进行系统评估。本研究测量了来自46个地点的235份野生唐古特大黄样本中的五种活性化合物。结果表明,机器学习模型的性能优于线性模型,对总蒽醌的预测具有更低的均方根误差(RMSE:MLM,0.75;RF,0.57;XGB,0.60;KNN,0.59)和平均绝对误差(MAE:MLM,0.59;RF,0.44;XGB,0.47;KNN,0.46),以及更高的R2值(MLM,0.23;RF,0.56;XGB,0.51;KNN,0.53)。随机森林(RF)模型被选作最终预测模型,结果表明西宁及其周边地区的野生唐古特大黄中总蒽醌(2.5–3.5%)、番泻苷A(0.4–1.2%)、番泻苷B(0.8–1.3%)和没食子酸(0.15–0.37%)含量最高。在四个地点的田间栽培验证了模型的准确性。本研究综合了实地采样、模型模拟和栽培验证,确定了唐古特大黄的高品质种植区,从而为大黄资源的可持续利用和产业发展提供支持。
-
解读食物口味:通过机器学习解读味道数据
查看原文2025
Food Chemistry
中科院一区JCR一区Huabin Luo, Simen Akkermans & Jan F.M. Van Impe
食品标签
品质、结构与理化性质计算机标签
机器学习/统计学习 偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定分析技术获得的风味数据庞大且复杂,增加了多因素分析的难度。本研究旨在提供基于机器学习(ML)的框架来解释风味数据,利用四种广泛使用的技术,即主成分分析(PCA)、冗余分析(RDA)、偏最小二乘法(PLS)和随机森林法(RF)。为展示这些机器学习技术的潜力,讨论了两个案例研究,一个采用半定量数据,另一个采用定量数据。结果表明PCA在数据探索中非常有用;RDA可以量化因素的统计显著性;结合PLS和RF的特征重要性分析结果,可以全面理解标记化合物。在分类性能方面,PLS在处理共线数据方面表现出色,而RF如果有足够数据,则能捕捉复杂模式。然而,对于样本量较小的数据集,过拟合存在风险。总体来说,精心选择并整合这些机器学习技术可以揭开食物风味的神秘面纱。
-
基于多组学和机器学习的禽蛋挥发性风味物质及特征风味前体物质的表征
查看原文2025
Food Chemistry
中科院一区JCR一区Hongqiang Li, Xiangmin Zhao, Xiaoming Li, Jing Liang, Shizhen Qin, Jinlu Li, Aiwen Zhang, Linna Xu, Defu Tang & Fuwei Li
食品标签
蛋类及其制品 品质、结构与理化性质 组学与高通量技术计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 多模态/融合数据尽管鸡蛋的风味会影响消费者的偏好和满意度,但对决定风味特征的因素研究却很少。本研究采用电子鼻、挥发性代谢组学和非靶向脂质组学方法,对不同禽蛋(鸡蛋、鸭蛋、鹅蛋、鹌鹑蛋和鸽子蛋)蛋黄的挥发性化合物和脂质谱进行了研究,同时探讨了这些成分之间的关系。此外,还开发了机器学习模型(高斯朴素贝叶斯、逻辑回归、随机森林、支持向量机和极端梯度提升)对禽蛋类型进行分类,并识别具有高预测准确性的生物标志物。总体而言,11种关键风味化合物被确定为对禽蛋风味有重要贡献的物质。对风味前体的分析表明,关键风味化合物主要来源于不饱和脂肪酸(UFAs)以及含有不饱和脂肪酸的磷脂酰乙醇胺(PE)、磷脂酰胆碱(PC)、甘油三酯(TAG)和酰基肉碱(ACAr)。此外,通过构建机器学习模型,获得了9种区分不同禽蛋的标志物(4种挥发性化合物和5种脂质代谢物)。
-
利用近红外和中红外光谱检测可可粉中角豆粉掺杂:一项全面的分类与回归分析
查看原文2025
Food Research International
中科院一区JCR一区Sebahattin Serhat Turgut, Huseyin Ayvaz, Muhammed Ali Dogan, Dolores Pérez Marín & Ahmed Menevseoglu
食品标签
巧克力及含可可制品 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据可可粉是一种全球贸易的食品,主要产于发展中国家,具有重要的经济价值。然而,它容易受到角豆粉等廉价材料的掺杂,尤其是在感官方法难以检测的低浓度情况下。为了解决这一问题,振动光谱结合多元分析的快速分析技术可能有助于快速可靠地检测掺杂。在本研究中,使用四种不同的红外光谱仪收集了光谱数据:一台台式FT-NIR系统、两台便携式NIR仪器和一台台式FT-MIR-ATR。样品包括纯可可粉、纯角豆粉以及它们按角豆浓度从0%到60%不等的混合物。开发了分类和回归模型来检测和量化可可粉中角豆的存在。分类模型,包括随机森林(RF)、支持向量机(SVM)、多层感知器(MLP)、k-近邻(kNN)、线性判别分析(LDA)和软投票分类器,在区分可可粉、角豆粉和可可-角豆混合物方面表现出卓越的性能,接收者操作特征曲线下面积(AUC)得分高于0.99,尤其是在使用台式FT-NIR、一种经济高效的便携式NIR和FT-MIR-ATR设备时。同样,回归模型——RF、SVM、MLP、kNN、偏最小二乘回归和投票回归器——也表现出强大的预测能力。特别是基于FT-MIR和便携式NIR的模型显示出极高的准确性,RPD值分别超过16和13,表明它们适用于质量和过程控制。使用置换特征重要性确定了驱动模型预测的关键波长,适用于回归器和分类器。总的来说,这些发现凸显并证明了NIR和MIR光谱作为快速、稳健、非破坏性工具在食品真实性筛查和质量控制方面的潜力。
-
数据驱动的管道建模用于预测乳制品中未知的蛋白质掺假情况
查看原文2025
Food Chemistry
中科院一区JCR一区Huihui Yang, Yutang Wang, Jinyong Zhao, Ping Li, Zhixiang Li, Long Li, Bei Fan & Fengzhong Wang
食品标签
乳粉 蛋白质与氨基酸计算机标签
随机森林 分类/鉴别/等级评定 质构/流变/感官数据为实现对食品中未知蛋白质掺假物的前瞻性预测,从源头遏制食品掺假事件的发生,研究采用三种机器学习算法构建了数据驱动模型。其中,基于随机森林算法的模型表现最优,对无味、无臭、无色三类掺假物的识别准确率分别达到96.2%、95.1%和88.0%。研究将最优模型应用于外部预测,最终筛选出51种潜在掺假物,并从中选出两种性价比最高的候选物质开展掺假实验。实验结果显示,掺假奶粉与正常奶粉在感官上无明显差异,但掺假奶粉的蛋白质含量出现上升。本研究为高效防范食品掺假行为提供了一种主动防控策略。