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 2456 条结果
-
推进减盐技术:用于下一代低钠食品配方的淀粉基乳液凝胶系统的人工智能辅助结构设计
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Weihao Meng, Yuqiao Ren & Song Miao
食品标签
特征风味 感官评价与方法学 过程优化与控制策略 体外消化模型 碳水化合物与糖类 盐替代品与其他代谢敏感因子计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 设计/生成与推荐背景:盐是影响食物口感和品质的关键因素,但过量摄入会增加健康风险。通过淀粉基乳液凝胶的结构设计可以调节咸度感知,从而减少盐的摄入量。然而,目前缺乏关于淀粉基乳液凝胶的结构与咸度感知关系,以及新兴的人工智能(AI)辅助设计方面的综述。
范围与方法:本研究综述了淀粉基乳液凝胶的最新研究进展,探讨了在口腔加工过程中结构设计对咸度感知的影响。此外,还包括利用人工智能分析和预测食物结构与咸度感知的关系,以及淀粉基乳液的应用前景和未来研究趋势。
主要发现与结论:通过对淀粉基乳液凝胶进行结构设计,可以有效调节其在口腔中的盐释放行为,从而增强咸度感知。盐的释放效率受油含量、流变特性、质构特性、微观结构、形态以及钠离子与食物基质之间的相互作用影响。此外,人工智能辅助设计淀粉基乳液凝胶在更精确地调控咸度感知方面显示出巨大潜力。另外,淀粉基乳液凝胶在肉制品、奶酪和蛋黄酱等实际食物基质中的应用仍需进一步探索。本综述聚焦于人工智能辅助淀粉基乳液凝胶结构设计以增强咸度感知的最新进展,阐明了结构与咸度感知之间的关键关系,这对促进公众健康和食品工业的发展具有重要意义。 -
机器学习结合GC-FID用于鉴别不同类别酱香型白酒
查看原文2025
Food Chemistry: X
中科院一区JCR一区Liang Yang, Chun Xian, Shuai Li, Ye Wang, Xinying Wu, Qingcai Chen, Wenwu Zhao, Cheng Zhao, Xiaobo Li, Junjun He, Renyuan Chen & Chunlin Zhang
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
随机森林 梯度提升决策树 智能手机/其他 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据酱香型白酒是一种通过固态发酵生产的中国传统酒类,由于发酵轮次、风格和等级的不同,其基酒类型多种多样。虽然人工识别方法对风味的复杂性至关重要,但当前的人工识别方法阻碍了勾调效率和质量控制。本研究采用气相色谱-氢火焰离子化检测器(GC-FID)和机器学习对410份基酒样品进行了分析。结果显示,决策树(74.36%)、极端梯度提升(XGBoost,92.9%)和随机森林(62.3%)分别是用于发酵轮次、典型风格和春天等级分类的最佳分类器。SHAP分析揭示:(1)酯类是发酵轮次的主要标志物;(2)酯类与三甲基丁醇的组合可用于等级区分;(3)多种化合物特征(丁酸、四甲基吡嗪、2-丁醇等)可用于风格鉴别。值得注意的是,标志物化合物的风味特性——而非仅仅是浓度——对其鉴别能力有重要影响,这一点从与九个感官维度的相关性中得到了证明。
-
人工智能在食品感官评价进展中的应用
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Du-Min Jo, Seo-Jin Han, Seok-Chun Ko, Kyung Woo Kim, Dongwoo Yang, Ji-Yul Kim, Gun-Woo Oh, Grace Choi, Dae-Sung Lee, Nazia Tabassum, Young-Mog Kim & Fazlurrahman Khan
食品标签
感官评价与方法学 消费者偏好与接受度计算机标签
机器学习/统计学习 深度学习 大模型与 LLM 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据背景:人工智能(AI)正日益融入食品科学中的感官评价,以克服传统方法的局限性,如主观性、可变性以及对人工评审组的依赖。通过整合化学分析、成像和消费者反馈的数据,人工智能能够对味觉、香气、质地和外观等感官属性进行更客观、可重复且可扩展的评估。
范围与方法:本综述全面概述了人工智能在食品感官评价中的应用。它涵盖了关键的人工智能技术,如机器学习、计算机视觉、自然语言处理和智能传感器,以及它们在预测、模拟和个性化感官属性方面的作用。重点介绍了人工智能通过数据驱动建模、多模态整合和数字模拟对感官分析带来的变革。此外,还探讨了在感官科学中采用人工智能所涉及的伦理和技术挑战。
主要发现与结论:人工智能通过将分析数据与消费者的感官反应相联系,实现了对人类感官感知的高级建模。机器学习和深度学习有助于对感官特征进行预测分析;计算机视觉和电子传感技术可模拟人类的视觉和化学感知;自然语言处理能从消费者生成的内容中提取见解。这些技术还支持实时、个性化的感官体验。尽管人工智能为食品设计和评价领域的创新提供了强大工具,但数据质量、模型透明度和伦理使用等问题必须得到解决。本综述强调,需要跨学科合作,以确保基于人工智能的感官系统朝着包容性强、可解释且以人为本的方向发展。 -
基于直径和SSC特征的苹果霉心病在线检测
查看原文2025
Food Control
中科院一区JCR一区Zhanling Hu, Yuge Pu, Wei Wu, Liulei Pan, Yanqing Yang & Juan Zhao
食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据霉心病是苹果中一种常见的内部病害。目前基于可见光/近红外(Vis/NIR)光谱的检测方法常因果实直径和可溶性固形物含量(SSC)的差异而出现准确性不足的问题。为解决这一问题,本研究开发了一套在线检测系统,该系统在光谱分析中同时整合了针对果实直径和SSC信息的校正策略。具体而言,首先基于果实直径,采用双曲正弦函数对原始光谱进行初步校正;随后,利用变分模态分解(VMD)算法提取SSC相关的光谱特征,对光谱进行第二次校正。这一两步校正流程有效削弱了果实直径和SSC变化对光谱数据的干扰。在此基础上,利用校正后的光谱与霉心病标签构建了偏最小二乘判别分析(PLS-DA)模型。与未经校正的模型相比,改进后的模型在准确率、召回率和精确率方面均显著提升,分别达到94.44%、92.59%和96.15%。此外,在独立样本上的在线验证中,该系统实现了88.33%的检测准确率,充分体现了其在苹果霉心病在线检测中的稳定性与鲁棒性。
-
关于Hypsizygus marmoreus菌丝体与子实体在特定营养条件下营养关系的研究
查看原文2025
Food Chemistry
中科院一区JCR一区Jianqiu Chen, Mingming Yu, Chun Yang, Zenan Huang, Lizhang He, Jiaojiao Bian, Shujing Sun& Jiahuan Li
食品标签
食用菌菇 品质、结构与理化性质 蛋白质与氨基酸 碳水化合物与糖类计算机标签
偏最小二乘法 定量预测/回归分析 组学数据食用真菌子实体由经过生理扭结的菌丝体发育而成,菌丝体与子实体之间形成紧密的营养联系。尽管存在这种营养关联,目前该领域的相关研究仍较为有限。本研究旨在探究5种主要食用菌品种(金针菇、蟹味菇、荷叶离褶伞等)在特定营养条件下,菌丝体与子实体中的粗多糖及蛋白质含量。研究以蟹味菇为研究对象,设置5种碳氮比不同的培养基,探究菌丝体和子实体间的营养关联规律。结果表明,菌丝体中的粗多糖与蛋白质含量均高于子实体。采用偏最小二乘法(PLS)构建了蟹味菇子实体粗多糖和蛋白质含量的预测模型,模型预测值与实验实测值高度吻合,验证了模型的准确性。不同碳氮比对培养基中粗纤维含量的影响极小。对蟹味菇开展代谢组学分析发现,相较于子实体,菌丝体中碳水化合物代谢物、氨基酸代谢物分别显著上调72%、84%。其中,参与多糖前体合成途径的代谢物(半乳糖-1-磷酸、葡萄糖-1-磷酸、尿苷二磷酸葡萄糖)以及参与蛋白质前体合成途径的9种氨基酸,在菌丝体中含量显著更高,这也解释了菌丝体粗多糖和蛋白质含量高于子实体的内在原因。综上,本研究结果为通过菌丝体研究预测并提升食用菌品质、丰富食用菌品类奠定了重要理论基础,同时也为加快食用菌新品种选育、优化高品质食用菌栽培配方提供了理论支撑。