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 39 条结果
-
整合实验与深度学习建模方法开发植物源抗菌剂用于可降解食品包装薄膜
查看原文2026
LWT
中科院一区JCR一区Shanxue Jiang, Wenting Jia, Haishu Sun, Chenyu Zhang, Yushuang Li, Ruiping Liu, & Wenwen Gong
食品标签
生物基/可降解材料 微生物安全 保藏与贮藏计算机标签
其他深度学习结构 分类/鉴别/等级评定 中等规模数据集微生物污染对食品安全构成显著威胁,因此有必要开发创新型抗菌包装策略。为应对这一挑战,本研究采用溶液流延法,将植物提取物引入 PLA、PBAT 和 PVA 等可降解聚合物基质中,制备可降解抗菌薄膜。研究使用不同溶剂和提取流程获得 13 种植物的提取物,并通过抑菌圈实验评估其抗菌效率。其中,丁香、五味子、石榴皮、黄芩和乌梅对金黄色葡萄球菌、耐甲氧西林金黄色葡萄球菌、单核细胞增生李斯特菌和大肠杆菌等常见食源性病原菌表现出较强抗菌活性。基于 Transformer 的深度学习模型以 0.99 的概率阈值,在乌梅中识别出 175 种潜在抗菌化合物,在黄芩中识别出 152 种潜在抗菌化合物。进一步分析表明,乌梅中的有机酸和黄芩中的酚类化合物是主要抗菌成分,提示二者具有不同抗菌路径。所得薄膜在牛肉样品中表现出显著保鲜效果,并在六个月土埋后呈现良好的可降解性。本研究提供了一种整合实验研究与人工智能的有效策略,可推动植物基抗菌食品包装的发展。
-
机器学习驱动的风味组学:解码储存婴儿配方奶粉中阶段特异性挥发性化合物动态及感官退化
查看原文2026
Food Chemistry
中科院一区JCR一区Jianfeng Wang, Mengyuan Yang, Yanmei Xi, Weizhe Wang, Lunaike Zhao, Shuyuan Xue, Yufang Su, Baoguo Sun, & Nasi Ai
食品标签
乳粉 保藏与贮藏 货架期预测与品质劣变动力学 氧化、褐变等化学变化 特征风味 风味组学 脂质与脂肪酸 其他植物化学物质计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 组学数据 质构/流变/感官数据婴儿配方奶粉(IF)是婴儿的重要营养来源。然而,其感官质量在长期存储过程中会下降,影响消费者的接受度。本研究通过整合风味组学、脂肪酸动态变化和机器学习,探讨了IF在储存期间特定阶段的感官劣化机制及预测模型。定量描述性分析识别出驱动质量下降的六个关键属性,其中单阶段IF表现出最早和最显著的下降。挥发性化合物分析显示,醛类(己醛、辛醛)和酮类是主要的异味标志物,与脂质氧化途径相关。脂肪酸分析显示,多不饱和脂肪酸,特别是亚油酸和α-亚麻酸的降解,是异味生成的关键驱动因素。仅使用六种脂质氧化衍生的挥发物,随机森林和XGBoost模型就能准确预测特定阶段的感官评分(R² > 0.85),直接将脂肪酸氧化与风味恶化联系起来。这项工作确立了脂质氧化为主要的降解机制,并提供了用于保质期优化的实用数据驱动工具。
-
基于碳量子点的比色传感器阵列和计算机视觉的安化黑茶智能储藏年份识别
查看原文2026
Food Chemistry
中科院一区JCR一区Wu Wang, Ye He, Wenjie Zhou, Yangao Zhu, Xiao-Zhi Wang, Yao Chen, & Tong Wang
食品标签
茶/茶饮料 保藏与贮藏 货架期预测与品质劣变动力学 食品安全与风险评估 其他安全问题 显微与成像技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮计算机标签
卷积神经网络 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据衰老显著影响安化黑茶的品质和价值,但快速年份识别仍然具有挑战性。本研究开发了一种结合深度学习的比色传感器阵列(CSA),用于安化黑茶储存年份的快速识别。该CSA使用五种碳量子点(CQDs),能够与茶叶成分(如氨基酸、多酚类)特异性相互作用,随储存时间产生颜色变化;这些变化可通过智能手机在紫外光照射下捕捉。获得的图像直接使用深度学习模型(ResNet18、VGG16、DenseNet121、MobileNetV3-Small 和 EfficientNet B0)进行分析。其中,ResNet18 达到最高准确率(92.4%),优于基于传统RGB的模型如PLS-DA(57.6%)和PCA-LDA(63.6%)。此外,还创建了一个用户友好的图形用户界面,方便非专业人员操作。本研究提出了一种新颖、经济高效且高度可及的安化黑茶鉴定检测平台,为食品质量控制和真实性评估的实际应用提供了广阔的潜力。
-
用于预测牛油果采后硬度的物理信息神经网络
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区R.G.M. van der Sman, X. Guo, & R. Pedreschi
食品标签
新鲜水果 加工与新加工技术 保藏与贮藏 标准/法规/数据库分析 蛋白质与氨基酸计算机标签
深度学习 定量预测/回归分析 公开数据集本研究采用物理信息神经网络(PINNs)建模牛油果成熟过程中的硬度变化。模型基于一个生理框架,即硬度损失由酶促细胞壁降解控制,其动力学受代谢速率调节。PINNs 使用来自不同品种和国家、处于恒定贮藏条件下的文献数据集进行训练,揭示了相似的呼吸跃变型成熟动力学。研究进一步利用时间/温度/气体条件叠加原理,将该方法扩展到动态贮藏情景。果园来源、气候和采收时间造成的差异通过初始呼吸跃变前状态的差异体现,而这些差异无法用单一状态变量描述。
-
基于维度转换 Vis-NIR 透射光谱和可解释深浅层模型检测霉心亚健康苹果
查看原文2026
Food Control
中科院一区JCR一区Mingcan Zhai, Zhibin Wang, Youfang Yu, He Li, Xiaoming Mo, Mengxu Zhao, Yanyan Li, Zhihua Zha, & Jie Wu
食品标签
新鲜水果 颜色与外观品质 保藏与贮藏 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
其他深度学习结构 支持向量机 定量预测/回归分析 红外/拉曼光谱数据 可见光/RGB/视频数据种腔内霉变但果肉仍基本保持可食状态的苹果被定义为亚健康果,其及时检测对贮藏和销售控制非常重要,因为这类苹果难以仅凭外观与健康苹果区分。本研究开发了可实现全透射、漫透射和组合透射的 Vis-NIR 光谱检测系统,并结合维度转换和可解释深浅层学习进行分类。主分类任务共选取 371 个富士苹果,包括 152 个健康果、122 个亚健康果和 97 个病果。550-850 nm 光谱经 GASF、GADF、MTF、SDP 和 RP 等方法转换为二维图像。视觉 Transformer 从转换后的光谱图像中提取 768 个深层特征,并比较 kNN、SVM 和逻辑回归分类器。基于全透射强度光谱转换的 GASF 图像,ViT-kNN 模型整体准确率为 81.33%,F1-score 为 81.33%,Kappa 为 72.18%,Matthews 相关系数为 73.17%。SHAP 分析识别出 84 个有影响特征,其中包括 45 个正向特征和 39 个负向特征;前 5 个主特征贡献约 80% 的分类准确率。外部验证另使用 102 个苹果。该方法为苹果早期或轻微内部霉心病检测提供了无损检测思路。