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 712 条结果
-
食品可视化技术:主食新鲜度监测方法及其应用前景综述
查看原文2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Siyuan Xu, Xianhui Chang, Kun Zhuang, Yali Guo, Guozhen Wang, Xuedong Wang, Lei Chen, Qi Zhang, Xi Chen, & Wenping Ding
食品标签
谷物/块根/豆与坚果类 货架期预测与品质劣变动力学 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据食品的新鲜度直接影响食品的质量、安全性和口感。传统的新鲜度监测方法通常涉及耗时的过程和复杂的操作,难以满足快速和实时检测的需求。随着食品工业化的发展,主食的生产、储存和运输的复杂性增加,进一步提高了高效新鲜度监测技术的需求。目前,视觉监测技术的发展相对成熟,但其在主食领域的应用尚未形成系统。本综述重点介绍食品可视化监测技术,特别是其在监测主食新鲜度方面的潜在应用。本文深入探讨了pH响应系统、比色传感器和荧光传感技术等关键技术,并探讨了它们与智能包装和机器学习的整合。这些技术能够高灵敏度和高精度地检测与腐败相关的物质。当与智能包装和机器学习结合时,其效率和可靠性可以进一步提高。尽管这些技术在灵敏度和准确性方面表现出色,但在实际应用中仍面临成本、稳定性和安全性等问题。本文系统评估了现有技术,旨在探索主食鲜度监测技术的未来发展方向,为开发高效、准确且经济可行的食品质量控制方法提供新的见解。
-
机器学习驱动的微生物群落合成:食品发酵智能升级的新范式
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Xiaowei He, Xiaoran Hu, Kemin Mao, Jinwei Zhang, Jie Gao, Bimal Chitrakar, Honghong Cheng, & Yaxin Sang
食品标签
其他酱腌/发酵食品 特征风味 发酵工艺与动力学计算机标签
机器学习/统计学习 设计/生成与推荐 组学数据背景:微生物的代谢活动是发酵食品生产的核心驱动力。然而,这些动态过程受到底物类型、环境条件以及微生物群落内种间相互作用等因素的影响。发酵食品行业面临的挑战,包括生产效率低、产品质量不稳定以及产品在功能和感官特性上的高度同质性,凸显了创新解决方案的必要性。范围与方法:通过数据特征引导,将机器学习(ML)算法与合成微生物群落(SynComs)相结合,提供了一条有前景的前进道路。本综述对合成微生物群(SynComs)的策略和局限性进行了全面分析,探讨了适用于微生物群落数据的机器学习(ML)方法,并提出了一种用于合成微生物群组装的机器学习辅助流程,称为机器学习辅助合成微生物群(ML-ASM)。主要发现:将机器学习与SynComs结合提供了一种可行的方案,以提高发酵效率和产品稳定性。推进SynComs与ML的整合,实施数据驱动的方法,以及促进跨学科创新,是关键步骤。与循环生物经济原则的战略对齐将推动发酵食品生产系统的系统化、智能化转型。
-
牛奶蛋白甜味肽的虚拟筛选及分子动力学模拟机制分析
查看原文2026
Journal of Dairy Science
中科院一区JCR一区Sainan Yu, Yuyang Liu, Xueqi Fu, Wenfu Yan, Wenwen Gao, Wannan Li, & Weiwei Han
食品标签
液态乳 特征风味 蛋白质与氨基酸计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主来源于乳蛋白的生物活性肽因其作为天然甜味化合物的潜力而引起了越来越多的关注。在本研究中,开发了一种综合的计算机模拟策略,用于从乳蛋白中鉴定甜味肽。该方法结合了能够预测甜味和苦味属性的机器学习模型,以提高肽选择的准确性。通过虚拟酶解生成的肽使用三种机器学习模型进行筛选。被预测为甜味且非苦味的候选肽进一步进行虚拟筛选,以评估其与人类甜味受体T1R2/T1R3的结合亲和力。具有良好对接评分的肽随后使用计算预测工具进一步评估其药代动力学特性。基于对停靠和吸收、分布、代谢、排泄及毒性评估的综合结果,选择了5种肽(MDG、MKG、TSG、CDSS和DSTT)进行进一步分析。分子对接相互作用分析显示,氢键和π-π堆积是结合位点的主要相互作用方式。分子动力学模拟证实了5个复合物的结构稳定性,其中MDG、CDSS和DSTT表现出较低的结合波动和最小的受体构象变化,表明结合稳定性更强。电子舌分析验证了5种肽均存在可检测的甜味信号。其中,MDG、CDSS和DSTT表现出特别稳定的相互作用和明显的甜味响应,突显了它们作为天然甜味剂开发候选物的潜力。本研究提出了一个实用的计算框架,用于高效筛选和评估来源于乳蛋白的甜肽。所提出的策略可能有助于发现乳制品来源的甜味剂,并可在减糖或功能性乳制品中应用。
-
基于高光谱成像结合机器学习的兰州冻梨品质属性无损预测研究
查看原文2026
Food Chemistry: X
中科院一区JCR一区Weihao Qiao, Mei Yang, Jingming Hu, Huili Yan, Yeming Guo & Faxu Guo
食品标签
其他果蔬制品/植物类 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据冻梨在冻藏过程中会发生复杂的内部品质变化,而传统评价方法具有破坏性且耗时,限制了快速或连续监测。本研究采用高光谱反射成像,结合光谱预处理、特征波长筛选与机器学习算法,对冻梨的关键品质指标(包括可溶性固形物含量(SSC)、可滴定酸度(TA)和总糖含量(TSC))进行建模分析。结果表明,不同品质属性存在各自适宜的最优建模策略:总糖含量可利用全光谱数据或弱波长筛选实现稳定预测,而可溶性固形物与可滴定酸度则需通过针对性波长优化提升预测稳健性。最优模型在预测集中均表现出较高的决定系数、较低的预测误差与合格的相对分析误差(RPD)值。通过指导法进一步验证,模型误差分布稳定,无明显过拟合现象。综上,本研究证实高光谱成像可为兰州冻梨的品质无损评价提供可靠技术手段。
-
利用微波辅助水蒸气蒸馏提取肉桂叶精油的优化研究:响应面法(RSM)与人工神经网络(ANN)的比较研究
查看原文2026
Food Chemistry
中科院一区JCR一区Debajani Mohanty, Omprakash Mohanta, Arpita Priyadarshini, Sucheesmita Padhee, Sunita Nayak, Sudipta Jena, Ambika Sahoo, Pratap Chandra Panda, Sanghamitra Nayak, & Asit Ray
食品标签
其他果蔬制品/植物类 香精香料 物理辅助加工 营养与生物功能 光谱/色谱/质谱等分析方法 响应面分析与多因素优化 多酚与黄酮计算机标签
机器学习/统计学习 定量预测/回归分析月桂香叶(Cinnamomum tamala)精油(CTLEO)因其香气和治疗用途而受到重视。本研究使用响应面法(RSM)和人工神经网络(ANN)优化了微波辅助水蒸气蒸馏(MAHD),以最大化CTLEO产率。在预测CTLEO产率方面,ANN(R²≈0.993)的表现优于RSM(R²≈0.984)。在优化条件下(800瓦微波功率,液体与植物材料比例为1:1,提取时间85分钟),MAHD比传统水蒸气蒸馏(HD)获得了更高的产率,同时减少了时间、能量消耗和二氧化碳排放。使用HD和MAHD提取得到的CTLEO在物理性质(颜色、比重和折射率)上没有显著差异。FTIR分析显示光谱完全重叠,而GC-MS分析显示MAHD精油中含有更多氧化化合物。HPLC分析显示MAHD废水中含有更多的丁香酚和芦丁苷。SEM分析显示MAHD中分泌头和角质层完全破裂。AGREEprep和GAPI指标突出MAHD作为一种可持续和更环保的方法。