类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 276 条结果
-
机器学习结合感官评价与多传感器技术评估中国市售豆瓣酱的整体品质
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Jinhui Jiang, Shuaicji Ji, Guoyang Pan, Xinyu Tao, Feiyu An, Qu Liu, Junrui Wu & Rina Wu
食品标签
发酵豆制品 颜色与外观品质 特征风味 感官评价与方法学 其他理化与结构表征计算机标签
支持向量机 随机森林 K-近邻 梯度提升决策树 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据豆瓣酱是东亚地区数千年来一种重要的调味品。然而，目前通过感官评价或传统仪器全面评估市售豆瓣酱质量的方法面临重大挑战。本研究采用现代检测技术和机器学习方法，对豆瓣酱的整体质量进行定量表征和评估。使用色差仪、电子鼻和电子舌三种传感器对33种市售豆瓣酱进行感官评价和检测。随后，基于感官评价数据，建立了包括支持向量回归、随机森林、极限梯度提升、贝叶斯岭回归、岭回归、k近邻和人工神经网络在内的机器学习模型，以表征和评估豆瓣酱的整体质量。感官评价和传感器检测的结果均表明不同豆瓣酱之间存在显著差异。可以使用这三种传感器区分不同的豆瓣酱。基于传感器数据建立的定量表征模型显示，支持向量回归模型在训练集上的决定系数最高，为0.9998，在预测集上为0.9970，接近理想值1。此外，预测集的均方根误差最低，为0.5359。这些结果表明，支持向量回归在交叉验证和测试中表现出优越的性能，与人类感官感知高度一致，从而确立了其作为最有效预测模型的地位。本研究强调了将传感器数据与现代机器学习技术相结合，以补充传统感官评价，从而实现对豆瓣酱质量的全面表征和评估的潜力。本研究的结果为推进豆瓣酱产业的发展和提升豆瓣酱质量提供了重要的见解和指导。
-
将化学成分与感官品质联系起来：紫叶茶浸泡液中色泽与口感形成的研究
查看原文
2026
Food Chemistry
中科院一区JCR一区
Gaozhong Yang, Mengxue Zhou, Yanan Li, Paul A. Kilmartin, Zhi Lin, Jiang Shi, & Haipeng Lv
食品标签
茶/茶饮料 颜色与外观品质 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 代谢组学 多酚与黄酮 花青素与类胡萝卜素计算机标签
偏最小二乘法 随机森林 分类/鉴别/等级评定 组学数据 质构/流变/感官数据紫叶茶（PLT）浸液通常呈现出独特的紫红色和苦味，但其化学与感官之间的关系仍未被充分研究。我们对十六种从绿色到深紫色的茶品系进行了177种代谢物的分析，随后通过偏最小二乘判别分析和随机森林鉴定出27种差异代谢物。多变量分析显示，酰化花青素，特别是海葵素和矢车菊素衍生物，是与红色和苦味相关的关键标志物。光二极管阵列检测确认这些色素是主要的发色团。关键的是，添加实验验证了特定花青素比例控制颜色变化，而其积累显著增强了苦味和涩味。分子对接进一步支持了这种感官影响，显示酰化通过氢键和π-π堆积相互作用增强了花青素与人类苦味受体TAS2R14的结合。这些发现将类黄酮途径的重编程与PLT的色彩和感官差异联系起来，为培育高色素、可口的茶树品种提供了分子靶点。
-
基于电子鼻、GC-IMS、GC-MS 及机器学习算法的不同硒浓度培养的蛋白核小球藻挥发性有机物表征
查看原文
2026
Food Research International
中科院一区JCR一区
Siyan Liu, Heyu Pan, Yanchao Mao, Feifei Wang, Na Zhang, Shuyi Li & Zhenzhou Zhu
食品标签
微藻及藻类产品 氧化、褐变等化学变化 特征风味 抗氧化/抗炎等功能 过程优化与控制策略 光谱/色谱/质谱等分析方法 其他理化与结构表征 风味组学 碘/硒等微量元素计算机标签
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 组学数据蛋白核小球藻是一种极具开发前景的植物性蛋白来源，但其脂质氧化产生的挥发性异味物质严重限制了消费者的接受度。硒（Se）作为一种有益的微量元素，可通过增强抗氧化能力改善植物的风味特性。本研究探究了硒添加量（0–2 mg/L）对蛋白核小球藻挥发性物质组成的影响，并探讨了其内在作用机制。电子鼻分析结果显示，不同处理组间的风味轮廓存在显著差异。气相色谱-离子迁移谱（GC–IMS）与气相色谱-质谱联用（GC–MS）分别鉴定出25种和28种挥发性有机化合物（VOCs）。通过正交偏最小二乘判别分析（OPLS–DA）、随机森林（RF）建模以及气味活性值（OAV）与相对气味活性值（ROAV）计算，筛选出15种关键香气化合物。值得注意的是，0.50 mg/L的硒被确定为最佳富集浓度，该浓度可通过减少醛类物质（尤其是己醛）的积累提升整体风味品质。这种改善作用归因于硒介导的脂质含量降低与抗氧化能力增强，具体表现为谷胱甘肽过氧化物酶（GPx）活性升高、活性氧（ROS）水平降低、脂质过氧化程度缓解，同时脂氧合酶（LOX）与氢过氧化物裂解酶（HPL）活性分别下降60.08%和37.31%，从而抑制异味挥发性有机化合物的形成。总体而言，本研究首次证实硒可调控蛋白核小球藻的风味轮廓，并初步阐明适宜硒添加量通过重塑生化组成、维持氧化还原稳态及调控醛类生物合成关键酶活性以改善风味品质的机制。该研究结果为开发新型功能性微藻食品提供了理论依据。
-
基于高光谱成像和可解释 AI 的可信芒果品质无损预测
查看原文
2026
Food Control
中科院一区JCR一区
Haizhen Ding, Jingyuan Zhao, Wensi Wang, Rui Ding, Yonghuan Yun, Yande Liu, Kang Tu, Weijie Lan, & Leiqing Pan
食品标签
新鲜水果 颜色与外观品质 保藏与贮藏 显微与成像技术 传统统计分析与回归 碳水化合物与糖类计算机标签
支持向量机 随机森林 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据芒果属于呼吸跃变型水果，因贮藏不当每年会产生大量损失。本研究将可解释人工智能与高光谱成像结合，用于高效判别和可视化芒果成熟度及关键内部品质属性，包括可溶性固形物、滴定酸和硬度。结果表明，在果皮出现明显变色之前，内部属性已经发生显著变化，因此仅依赖外观评估成熟度并不可靠。研究根据贮藏期间的品质变化将芒果分为三个成熟阶段，结合 SNV 预处理的支持向量机分类模型可实现 100% 的阶段判别准确率。对于内部属性预测，使用原始光谱的随机森林模型表现最佳，硬度、SSC 和 TA 的 Rp2、RMSEP 和 RPD 分别为 0.946、2.515、4.311；0.793、0.609、2.209；0.825、0.172、2.411。XAI 进一步识别出 940-960 nm 和 1697-1784 nm 区域对所有属性预测均具有关键重要性，强调糖中 C-H 键、水中 O-H 键以及 TA 中羧基的重要作用。基于最优预测模型生成的内部属性可视化图能够有效捕捉不同成熟阶段和果实区域中属性分布的空间差异。这些发现表明，高光谱成像有助于评估芒果内部状态，而 XAI 可提高化学计量模型的透明度和可靠性，从而帮助向消费者提供更高品质产品。
-
基于快速 XRF 技术结合先进机器学习的红茶全球产地溯源研究
查看原文
2026
Food Research International
中科院一区JCR一区
Yicong Li, Nicholas Birse, Wanqi Jia, Manus Carey, Yunhe Hong, Xiaotong Liu, Di Wu & Christopher T. Elliott
食品标签
茶/茶饮料 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 深度学习 分类/鉴别/等级评定 质构/流变/感官数据建立完善的红茶溯源体系对防范茶叶欺诈至关重要。开发快速、准确、环保且便捷的红茶产地鉴别方法，对于保护地理标志（GI）产品具有重要意义。本研究采用X射线荧光光谱法，对全球十大主要产茶区的791份正宗红茶样品进行元素含量测定。检测了茶叶产品中15种元素的浓度，并构建了十大地理标志产区的特征元素图谱。此外，采用两种无监督分析技术对高维数据进行可视化处理，并运用六种监督模型对十大地理标志产区进行判别分析。结果表明，随机森林、支持向量机、k近邻、线性判别分析以及深度学习多层感知器（MLP）等机器学习模型，其预测性能均优于传统的偏最小二乘判别分析模型，其中阿萨姆红茶的识别F1分数从66.1%提升至87%–97.7%。MLP模型表现最优，在对十大地理标志产区的532份正宗样品进行产地预测时，总体F1分数达到97.7%。本研究为构建全球综合性红茶溯源体系奠定了基础，对全球范围内防范茶叶欺诈具有重要意义。
