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
-
使用风味组学和机器学习研究硫化合物对酱油风味白酒风味的贡献
查看原文2026
npj Science of Food
中科院一区JCR一区Shiqi Yang, Xinyue Zhang, Yi Shen, Jiao Niu, Hehe Li, Yonghua Wang, Jinyuan Sun, & Baoguo Sun
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法 风味组学 含硫植物化合物计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据本研究通过将传统风味分析与机器学习方法相结合,系统地研究了硫化合物对酱香型白酒(SSFB)风味的贡献。通过综合二维气相色谱-硫化氢化学发光检测器,共鉴定出88种硫化合物。通过正交偏最小二乘判别分析和气味活性值确认了其显著的风味贡献,相关性分析揭示了它们与8种香气特征的系统关联。结合7种机器学习方法筛选出8种核心硫化合物。双矩阵添加实验表明,这些化合物显著增强了酱香和陈香。值得注意的是,研究揭示了硫化合物的基质依赖性风味调控。在年轻的SSFB中,这些化合物同时增强了酱和陈香以及花香和果香,而在陈年SSFB中,它们则更具体地作用于强化核心的酱香和陈香,对其他香气的贡献减少。
-
用于啤酒糟贮藏质量监测的组成动态、挥发组谱分析和基于高光谱的预测建模
查看原文2026
Food Control
中科院一区JCR一区Pramod Aradwad, Arman Arefi, Sharvari Raut, Ahmed Abdelfattah, Mulugeta Admasu Delele, Cornelia Rauh, & Barbara Sturm
食品标签
奶酪 酒精饮料 颜色与外观品质 特征风味 显微与成像技术 常规理化指标测定 其他植物化学物质计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据啤酒糟是酿造过程产生的营养丰富副产物。然而,其货架期较短且受环境条件驱动,这限制了其在动物饲料之外的应用。本研究使用非侵入式高光谱成像和侵入式分析技术,考察 4、20 和 35 °C 贮藏条件对啤酒糟品质的影响。在 20 和 35 °C 贮藏过程中,糖类、脂肪、淀粉、蛋白质和半纤维素显著降解,降幅分别为 78.2-79.0%、21.4-33.3%、14-19%、9-15% 和 20.3-34.4%。相反,总酚含量增加 30-130%,抗氧化活性提高 1.7-7.8 倍,pH 从 6.4 升至 8.8。共有 65 种挥发性化合物表现出随温度和时间变化的动态特征。1-辛烯-3-醇、甲酸、辛酸、丁酸、2-丁酮和酰胺等关键异味化合物与 20 和 35 °C 贮藏啤酒糟中的酸败、酸味、奶酪味、泥土味和苦味相关。20 °C 贮藏 24 h 和 35 °C 贮藏 12 h 后,颜色、pH、黏性和气味发生明显变化。KEGG 通路分析显示,丙酮酸代谢、角质/木栓质和蜡生物合成、α-亚麻酸代谢以及酪氨酸代谢是主要代谢通路。高光谱成像结合机器学习能够准确预测总酚、总色差、糖、蛋白、pH 和脂肪等关键品质参数,并识别与化学和物理变化相关的特征波长。空间分布图提供了腐败进程的实时可视化。这些结果表明,高光谱成像作为快速、非侵入且成本效益较高的技术,可用于啤酒糟实时质量监测和货架期管理,并支持其更广泛的高值化利用。
-
用于检测无麸质啤酒中麸质的 AI 驱动计算机视觉方法
查看原文2026
Food Control
中科院一区JCR一区Ana M. Pérez-Calabuig, Sandra Pradana-López, John C. Cancilla, Sandra López-Ortega, & José S. Torrecilla
食品标签
小麦 酒精饮料 食品安全与风险评估 品质、结构与理化性质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据本研究提出了一种 AI 驱动的计算机视觉方法,利用残差卷积神经网络 ResNet50 检测无麸质啤酒中的麸质污染。啤酒样本图像由放置在隔光箱中的数字相机在受控照明条件下采集,并通过两种快门速度(1/30 s 和 1/250 s)以及两种广泛消费的商业啤酒品牌引入变化。研究使用 4000 张啤酒图像训练和验证深度学习模型。经 6 折交叉验证训练的优化模型获得了 88.8% 和 88.9% 的较高分类准确率,并成功识别低至 2.5 ppm 的麸质污染。该方法并非替代 ELISA 等传统方法,而是设计为混合顺序决策系统,其中 AI 计算机视觉工具作为快速预筛查方法,只有被标记为可能污染的样本才进一步使用 ELISA 等传统实验室方法分析。该策略提高了麸质检测效率,并减少了昂贵实验室检测的数量。深度学习与传统分析结合提高了效率,缩短了处理时间,并降低了麸质检测中假阴性的风险。该方法为酿造行业提供了一种强大、低成本且易获取的工具,有助于改善无麸质啤酒生产中的质量控制和消费者安全。
-
基于智能手机成像的无离心小型化还原糖测定新方法
查看原文2026
Food Control
中科院一区JCR一区Gorka Albizu, Irati Berasarte, Haizea Belaunzaran, Rosa Garcia-Arrona, Ane Bordagaray, Maider Vidal, & Miren Ostra
食品标签
酒精饮料 品质、结构与理化性质 营养与生物功能 光谱/色谱/质谱等分析方法 显微与成像技术 碳水化合物与糖类计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据还原糖在食品和饮料的营养、加工和感官特性中发挥关键作用,因此其定量测定对质量控制和过程监测十分重要。Lane-Eynon 滴定法和分光光度法等传统方法结果可靠,但通常耗时、产生大量废弃物,并需要专门仪器。本研究提出两种基于数字图像分析的低成本小型化比色方法,用于测定还原糖。经典 Benedict 反应和 3,5-二硝基水杨酸反应被改造为微孔板分析方法,省去了通常需要的离心步骤,并使用智能手机采集图像。研究优化了试剂与样品比例、温度、加热时间和 RGB 通道选择等关键实验参数,以确保稳健分析性能。两种方法在各自工作范围内线性良好,Benedict 法为 1.0-7.0 g/L,DNS 法为 1.0-10.0 g/L,检出限分别为 0.81 g/L 和 0.92 g/L;日内和日间精密度均低于 10%。在糖浆、软饮料和啤酒等真实样品中的应用显示,其结果与 AOAC 参考滴定法一致,相对误差低于 12.4%。考虑到方法的小型化、低能耗和半自动化特点,研究采用 AGREE 指标评价分析绿色性,得分显著高于经典滴定法,证实了该方法的环境效益。总体而言,所提出的基于 DIA 的 Benedict 和 DNS 测定法为饮料分析中的日常还原糖测定提供了快速、廉价、高通量和可持续的替代方案,反应时间低于 30 min。
-
基于多维数据融合与可解释机器学习的白酒发酵阶段智能识别
查看原文2026
Food Research International
中科院一区JCR一区Lin Du, Junchao Zhou, Yongqing Tang, Xuan Liu, Jing Zhong, Bo Yang, Yuancheng He, Xianguo Tuo & Haiping Du
食品标签
酒精饮料 特征风味 过程监测与在线检测 过程优化与控制策略 其他过程控制与数字化研究 常规理化指标测定 发酵工艺与动力学 风味组学计算机标签
偏最小二乘法 智能手机/其他 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 过程控制与实时优化 时序传感器/物联网数据 组学数据传统白酒固态发酵生产因缺乏实时、客观的评价方法,其生产控制主要依赖人工经验与追溯性离线分析。为解决这一问题,本研究提出一种融合多维传感器数据与可解释机器学习的发酵阶段智能识别方法。通过无监督学习将发酵过程客观划分为三个不同阶段,并从生化动力学、偏最小二乘判别分析(PLS-DA)及风味物质积累等多个维度验证了分段结果的有效性。在此基础上,系统评估了六种机器学习算法的性能,其中多层感知器(MLP)模型表现最优,在独立测试集上的识别准确率达99.48%。此外,利用SHAP(Shapley Additive exPlanations)可解释性分析揭示模型决策机制,结果表明CO₂浓度、pH值、温度、湿度等动态特征及其非线性相互作用是驱动模型分类决策的主要因素。该方法具有可扩展性与成本效益,有助于推动白酒酿造从经验化生产向标准化、智能化生产转型,为白酒及更广泛的传统发酵食品行业提供可靠的技术解决方案。