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 93 条结果
-
基于智能手机辅助的姜黄素荧光传感平台,通过氢键操控检测中国白酒中的酒精含量
查看原文2026
Food Chemistry
中科院一区JCR一区Fang Xu, Longfei Su, Zhenxing Guo, Qiang Cheng, Jiachen Guan, Yuhang Guo, Liqiang Xu, & Guoping Sheng
食品标签
酒精饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据酒精含量是中国白酒生产中最重要的质量控制指标之一,其准确测定对于保障产品质量、消费者健康以及税收评估具有重要意义。本研究提出了一种创新的荧光传感平台用于酒精含量测定。研究中使用姜黄素作为荧光指示剂,其对乙醇和水的氢键作用表现出明显的荧光响应。实验结果表明,荧光强度变化与酒精含量(20 - 80 %,体积比)之间呈现优异的线性相关关系,相关系数高(R² = 0.991),精密度优良(相对标准偏差 < 1.67%),准确性高(回收率 96.78 - 102.79%,相对误差 ± 3.22%)。进一步与智能手机技术整合,开发了一种便携式荧光检测平台,该平台能够通过对荧光图像的RGB分析精确测定酒精含量。这一新方法在实际应用中展现出良好的潜力,为食品和饮料行业提供了一种便携且用户友好的酒精含量测定解决方案。
-
食品发酵中机器学习方法在分类、动态预测与代理建模方面的关键评估
查看原文2026
Food Research International
中科院一区JCR一区Núria Campo-Manzanares, Artai R. Moimenta & Eva Balsa-Canto
食品标签
酒精饮料 过程优化与控制策略 其他过程控制与数字化研究 发酵工艺与动力学 代谢组学计算机标签
支持向量机 梯度提升决策树 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 模拟与数字孪生 时序传感器/物联网数据 组学数据 多模态/融合数据机器学习(ML)凭借其从海量数据中提取有效信息的能力,在食品科学领域的应用日益广泛。然而,相较于传统的基于机理的知识驱动模型,机器学习的优势尚不明确,尤其是在食品生物加工过程中常见的数据有限条件下。本研究以葡萄酒发酵为实际实验案例,通过批判性评估监督式机器学习技术(具体包括决策树、支持向量机和神经网络),并与知识驱动模型(KB)进行对比,旨在弥补这一研究空白。
我们在三项任务中对这些方法进行了评估。任务1和任务2利用发酵时间序列数据,(1)基于代谢物谱对工业酵母菌株进行分类;(2)预测发酵动态变化。任务3则聚焦于利用机器学习技术,对机理模型生成的模拟数据构建快速代理模型。
在酵母菌株分类任务中,使用所有可用代谢物数据时,我们取得了74%的最高测试准确率。在发酵动态预测方面,知识驱动模型表现优于机器学习模型,其平均归一化均方根误差约为6%。而在纳入更多数据后,机器学习模型的预测误差约为7.6%。最后,仅基于模拟机理数据训练的深度学习代理模型,在测试集上展现出极低的误差(约0.6%),优于知识驱动模型,同时将仿真时间缩短至原来的1/30。
研究结果凸显了实验设计的重要性:尽管机器学习模型在大规模多样化数据集训练下表现出色,但在数据有限或预测训练条件之外的结果时,往往表现不佳。相比之下,机理模型具有更好的泛化能力和生物学可解释性。两种方法的互补性表明,将二者结合可使复杂发酵系统的设计与控制更具稳健性且更贴合数据规律。基于这些互补优势,我们开发并验证了一种混合模型,该模型将知识驱动预测与残差神经网络相结合以修正系统误差,使整体归一化均方根误差从6%降至5%,并提升了大多数关键化合物的预测效果。 -
机器学习驱动的多源数据融合实现酱香型白酒生产工艺精准判别
查看原文2026
Food Research International
中科院一区JCR一区Longyuan Lin, Ziying Ruan, Na Zhang, Yifeng Ye, Qianqian Zhang, Saige Wang & Jicheng Chen
食品标签
酒精饮料 谷物发酵食品 特征风味 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
梯度提升决策树 模型可解释性 超参优化/自动机器学习 分类/鉴别/等级评定 时序传感器/物联网数据 组学数据 多模态/融合数据酿造工艺——尤其是坤沙工艺(KSJ)、碎沙工艺(SSJ)与翻沙工艺(FSJ)之间的差异——对酱香型白酒(MFB)的最终品质与风味特征起着决定性作用,这凸显了建立可靠鉴别方法的必要性。为应对这一难题,本研究构建了一套融合多源风味轮廓分析与先进机器学习技术的综合分析框架。研究采用电子鼻、电子舌、气相色谱-氢火焰离子化检测器(GC-FID)及顶空固相微萃取-气相色谱-质谱联用技术(HS-SPME-GC-MS),对代表三种工艺的共计80个样品进行了全面表征。结果显示,样品在挥发性成分轮廓与味觉属性方面存在显著差异,其中电子鼻传感器对氮氧化物具有高灵敏度,电子舌分析则判定酸味为关键鉴别属性。色谱分析进一步鉴定出45种关键香气活性化合物(相对气味活度值ROAV≥1)。本研究构建了9种机器学习分类器,并通过贝叶斯超参数优化进行系统优化。其中CatBoost模型表现最优,分类准确率达97.0%。基于SHAP框架的可解释性分析表明,乙酸乙酯、2,3,5,6-四甲基吡嗪等化合物是驱动工艺鉴别核心特征,这与现有酿造化学原理一致。上述研究结果表明,多源数据融合与优化机器学习相结合,可为酱香型白酒生产中的工艺溯源与质量控制提供一种可靠的数据驱动策略。
-
用于质量控制中缺陷可可浆检测的多层级数据融合与机器学习
查看原文2026
Food Control
中科院一区JCR一区Giorgio Felizzato, Eloisa Bagnulo, Andrea Caratti, Cristian Bortolini, Alessandro Guglielmetti, Chiara Cordero, & Erica Liberto
食品标签
酒精饮料 巧克力及含可可制品 特征风味 光谱/色谱/质谱等分析方法计算机标签
深度学习 偏最小二乘法 缺陷/异物检测与定位 多模态/融合数据 红外/拉曼光谱数据人工智能可通过降低对主观感官检查的依赖,支持可可浆更客观的质量控制。本研究利用液相色谱-紫外/二极管阵列检测和气相色谱-质谱数据,识别具有异味缺陷的可可浆。来自厄瓜多尔 CCN51 品种的可可浆样品经企业内部感官小组评价,被划分为合格样品和缺陷样品,缺陷包括酸涩、金属味、土味和苦味等。研究比较了 KNN、LDA、逻辑回归、PLS-DA、随机森林、支持向量机和多层感知机等机器学习与深度学习模型,并评估低层级、中层级和高层级数据融合策略。基于贝叶斯共识的高层级数据融合方法结合了 GC 和 LC 的最佳模型,取得最高 93% 准确率,优于单仪器模型和低/中层级融合方法。结果表明,多源化学谱图与 AI 模型可为工业质量控制中的缺陷可可浆提供快速、客观筛查。
-
基于靶向表征与多元统计分析探究 1 - 羟乙基自由基与化学成分的关联 —— 以黄酒为例
查看原文2026
Food Research International
中科院一区JCR一区Zhimin Zhang, Zhilei Zhou, Qingxi Ren, Zhongwei Ji, Xibiao Xu, Yuezheng Xu & Jian Mao
食品标签
酒精饮料 氧化、褐变等化学变化 其他品质相关性质 特征风味 常规理化指标测定 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据芬顿反应是发酵酒精饮料中关键的化学氧化反应,其产生的自由基可能对陈年黄酒的独特风味具有重要贡献。本研究通过电子顺磁共振波谱法鉴定出1-羟乙基自由基是陈年黄酒中的关键自由基,且在陈酿过程中1-羟乙基自由基含量呈波动上升趋势(1957–9526 nmol/L)。为阐明化学成分与1-羟乙基自由基之间的关系,采用高效液相色谱-串联质谱法、电感耦合等离子体质谱法和离子色谱法对黄酒中的39种化合物(酚类、有机酸、金属离子及含硫化合物)进行定量分析。皮尔逊相关分析与偏最小二乘回归结果表明,相关变量可分为促氧化剂(铁、锰、草酸、酒石酸、琥珀酸、戊二酸、咖啡酸和乙酸)与抗氧化剂(谷胱甘肽、L-半胱氨酸和4-香豆酸)两类。本研究为发酵酒精饮料的自由基调控与风味调控提供了全新的理论依据。