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
-
融合中红外与近红外光谱并通过多变量分析测定不同小麦品种中的总酚和总黄酮含量
查看原文2026
Food Control
中科院一区JCR一区Muhammad Zareef, Muhammad Arslan, Waqas Ahmad, Md Mehedi Hassan, Muhammad Naveed, Malik Muhammad Hashim, Sadaf Javaria, & Quansheng Chen
食品标签
小麦 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
偏最小二乘法 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据本研究聚焦于基于中红外和近红外光谱数据定量测定总酚含量和总黄酮含量。研究采用低层融合和中层融合策略,并结合偏最小二乘模型,以提高统计性能参数。评价 TPC 和 TFC 的 PLS 回归模型时,使用预测相关系数、预测均方根误差和剩余预测偏差等指标。对于 TPC,NIR-MIR 中层融合模型获得最佳结果,Rpred 为 0.8998,RMSEP 为 8.82 mg GAAC/100 g,RPD 为 2.20。对于 TFC,NIR-MIR 低层融合模型表现最佳,Rpred 为 0.9086,RMSEP 为 2.28 mg/100 g,RPD 为 2.35。与单一传感器模型相比,NIR-MIR 低层融合和中层融合模型在小麦粉 TPC 和 TFC 含量预测方面表现更优。结果表明,所提出的融合策略能够成功提高预测精度。
-
机器学习方法预测超声与茶多酚处理牛肉丸的质构和感官属性
查看原文2026
LWT
中科院一区JCR一区Zhou Qing, Wang Meile, Xu Yueling, Su Wen, Jin Wengang, & Xi Linjie
食品标签
畜肉 质构与流变性质 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 常规理化指标测定 多酚与黄酮计算机标签
模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据加工肉制品在贮藏过程中的氧化劣变仍是食品工业面临的重要挑战。茶多酚作为高效天然抗氧化剂可用于提升产品稳定性,但其应用需要在功能效果与感官限制之间取得平衡。本研究考察了超声辅助茶多酚添加(0、2、4、6 g/100 mL,分别记为 K0-K4)对水煮牛肉丸理化稳定性、挥发性指纹和感官特征的影响。结果表明,K3 处理(4 g/100 mL 茶多酚)显著改善氧化稳定性,与对照相比,TBARs 和过氧化值分别降低约 33% 和 22%。GC-IMS 和电子鼻分析显示,茶多酚处理重塑了挥发性指纹,表现为抑制氧化来源醛类和含硫挥发物,同时富集特定醇类和酯类物质,如 trans-3-hexenol 和 ethyl acetate。感官分析表明,酚类添加会带来剂量依赖性的涩感和质构变化;基于 SHAP 的 Extra Trees 模型解释进一步指出,TBARs、水分含量和感官评分是综合品质的主要决定因素。在所评估的添加水平中,K3 是较稳健的功能配方,兼具较强氧化抑制作用和结构稳定性。研究结果说明,超声辅助茶多酚添加是开发抗氧化肉制品的有前景策略,并为后续配方优化提供了数据驱动依据。
-
用于酸奶发酵的 AI 驱动实时监测与预测控制系统
查看原文2026
Food Control
中科院一区JCR一区Arijit Ray, Chitranayak Sinha, A.K. Sharma, Kaushik Khamrui, Shaik Abdul Hussain, J.K. Dabas, & Tushar Kumar Mohanty
食品标签
发酵乳/酸奶 品质、结构与理化性质 过程监测与在线检测 常规理化指标测定 发酵工艺与动力学 脂质与脂肪酸计算机标签
循环神经网络 其他深度学习结构 定量预测/回归分析 时序传感器/物联网数据酸奶发酵通常依赖固定的时间-温度流程控制,但乳成分差异会导致 pH 下降和最终产品质量存在差异。本研究针对脱脂乳、双倍脱脂乳、调制乳、牛乳、标准化乳和全脂乳等 6 种乳类型,开发了一套 AI 驱动的酸奶发酵实时监测与预测控制系统。Arduino 监测系统可连续采集电导率、pH、温度和总溶解固体,MATLAB 软件实现实时数据采集、可视化、记录、pH 预测和决策支持建议。研究以 TDS、EC、发酵时间及乳类型或脂肪含量相关信息为输入,比较了多种机器学习和深度学习模型的 pH 预测性能,包括前馈神经网络、GRU、GPR、LSTM、SVR 和 Transformer 模型。最佳 FFNN 模型在测试集上表现最强,残差范围为 -0.103 至 0.106,摘要报告 R2 约为 0.999,RMSE 为 0.079,MAE 为 0.073,MBE 为 -0.026。软件可比较实时与预测的 pH、TDS 和 EC 值,并在 pH 高于或低于预期时提供操作建议。该系统支持小规模和工业化酸奶生产中的动态发酵监测、预测控制、批次标准化和纠偏干预。
-
感知饮食行为测量的未来:验证OCOsense眼镜检测咀嚼行为的有效性
查看原文2026
Food Quality and Preference
中科院一区JCR一区Rhiannon M. Armitage, Simon Stanoski, Borjan Sazdov, Aishwarya Padmanabhan, Tegan Harvey, Claire Baert, Hristijan Gjoreski, Charles Nduka, & Martin R. Yeomans
食品标签
过程监测与在线检测 显微与成像技术 问卷/市场与消费者研究 其他感官与消费者研究计算机标签
缺陷/异物检测与定位 可见光/RGB/视频数据 时序传感器/物联网数据当前用于评估饮食行为的方法常被批评为无法真实反映现实生活中的饮食体验,这些方法通常需要大量资源进行主观行为编码或依赖自我报告测量。OCOsense 眼镜通过直接监测面部肌肉运动,提供了一种有前景的替代方案,而无需这些限制。初步数据显示,这些眼镜能够检测多种饮食和咀嚼行为。然而,这仍需实证验证:这就是本研究的目的。47 名年龄在 18 至 33 岁的成年人(31 名女性和 16 名男性)参与了一次为期 60 分钟的实验室早餐,并进行了视频录制。口腔加工行为通过 ELAN(版本 6.7)上的手动行为编码以及 OCOsense 眼镜的传感器数据分析进行了标注。在这里,我们重点关注两种早餐食品(百吉饼和苹果)的咀嚼数据。对于这两种食品,每个进食段中记录的咀嚼次数在人工编码和眼镜算法输出之间没有显著差异,回归分析显示两种测量之间具有高度对应关系(r (550) = 0.955)。同样,平均估计的咀嚼速率在两种方法之间也没有显著差异。参与者对自己进食速度的自我评估与记录的咀嚼行为一致,并且两种方法都同样能够检测到。总体而言,OCOsense 眼镜正确检测到了 81% 的进食行为和 84% 的非进食行为。虽然眼镜算法仍有进一步改进的空间,但 OCOsense 眼镜检测到的整体面部肌肉运动能够检测到所测试的两种食品的咀嚼动作,未来的工作将把这一方法扩展到实验室外的其他食品和进食行为。
-
基于机器学习回归模拟新型健康饮料干预研究中的代谢响应
查看原文2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Diego Hernández-Prieto, Jose A. Egea, Cristina García-Viguera, & Alberto Garre
食品标签
新鲜水果 巧克力及含可可制品 营养与生物功能 非热加工技术 花青素与类胡萝卜素计算机标签
逻辑回归/贝叶斯 超参优化/自动机器学习 定量预测/回归分析 合成/仿真数据为主本研究提出一种利用机器学习模型模拟干预试验的方法,并以马基莓-柑橘饮料为案例,利用实证数据评估多种机器学习算法表现并构建回归模型。模型用于预测连续 60 天饮用采用不同甜味剂调配的饮料后,血浆和尿液中黄烷酮及其代谢物、花青素代谢物的变化。为保证预测可靠性,研究进行了全面的数据分析和预处理,并采用贝叶斯优化进行超参数调优。模型基准测试结果显示,拟合优度 R2 约为 89%,平均绝对误差和均方根误差分别约为 2% 和 10%。该研究证明,机器学习工具可可靠模拟干预试验,在不让参与者实际接受干预的情况下提供结果,为天然饮料、个性化营养和营养分析研究提供了数据驱动方法。