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 122 条结果
-
基于非靶向代谢组学结合化学计量学的恩施不同海拔龙井 43 鲜叶鉴定与品质评价
查看原文2026
Food Research International
中科院一区JCR一区Ruixin Lou, Liangji Wu, Qiang Zhang, Kaikai Li & Tao Hou
食品标签
茶/茶饮料 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 代谢组学 多酚与黄酮计算机标签
支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 组学数据 质构/流变/感官数据绿茶品质与其生长环境密切相关,尤其是海拔高度。本研究采用化学计量分析中的机器学习方法,探究绿茶原料与海拔之间的内在关联。采集了三个海拔区间(U500、500–799、H800)的46份龙井43(LJ43)茶树样品,并进行基础成分分析与非靶向代谢组学检测。结果显示,海拔依赖性变化趋势显著:茶多酚、总儿茶素(表没食子儿茶素没食子酸酯、表儿茶素、儿茶素、没食子儿茶素、表没食子儿茶素)及咖啡因含量随海拔升高而降低,而包括茶氨酸在内的总游离氨基酸、可溶性糖、表儿茶素没食子酸酯及儿茶素没食子酸酯含量则呈上升趋势。此外,通过变量重要性投影值≥1且P值<0.05的双重阈值筛选,鉴定出74种海拔特异性代谢物,并进一步运用多种机器学习算法对原料海拔进行分类判别。在测试集中,随机森林(RF)模型分类准确率最高,达97.5%,优于支持向量机(SVM)的95.24%和K近邻(KNN)的82.5%。随机森林集成结构有助于降低高维代谢组学数据的过拟合风险,并可量化特征重要性,从而助力关键海拔生物标志物的鉴定,如1,2,3-三-O-没食子酰基-β-D-葡萄糖和没食子酰基原花青素B4。相比之下,线性支持向量机难以处理非线性模式,而K近邻易受无关特征干扰。本研究表明代谢物与海拔高度密切相关,非靶向代谢组学分析结合机器学习可作为构建原料及其环境化学指纹图谱的有效手段。
-
基于常压质谱联用机器学习的红茶产地快速溯源与品质鉴定
查看原文2026
Food Research International
中科院一区JCR一区Hongping Zeng, Xiangyu Wang, Miaoxiu Ge, Mengyao Liu, Zhaoying Wang, Xiangyu Kong, Jianyu Weng, Xiaoming Du, Wei Xiong & Luhong Wen
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 代谢组学计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 组学数据红茶的精准产地溯源与全面掺假评估对质量管控和市场监管至关重要,但由于代谢差异细微且掺假行为复杂,相关研究仍面临挑战。本研究构建了一套将常压质谱技术与先进数据驱动算法相结合的统一分析框架,可快速实现产地溯源、掺假物鉴别及掺假量定量预测。为快速获取丰富的代谢组学特征,本研究采用细胞破碎辅助溶剂直接提取策略,有效表征不同产地红茶的化学差异性,并系统筛选与验证了用于产地区分的明确生化标志物。在产地精准分类方面,采用随机森林(RF)模型从复杂代谢组数据中提取特征信息,分类准确率达95.00%~100%。更为重要的是,本研究构建了11种标准化掺假体系以模拟真实拼配场景,并生成代表性数据集用于机器学习建模。结合XGBoost分类模型,实现了对掺假物的可靠定性鉴别,准确率为93.3%~100%。此外,利用随机森林回归模型完成了掺假比例的定量预测,该模型表现出较高的预测精度与稳定性,均方根误差(RMSE)低于6.78%,决定系数(R²)高于0.9606。综上,本研究提出了集产地溯源、掺假物鉴别与掺假量定量于一体的综合分析框架,为红茶真伪鉴别与监管提供了重要技术支撑。
-
Pt/Au 装饰的 Fe-N-C 纳米酶传感器阵列用于茶多酚单体的识别
查看原文2026
Food Chemistry
中科院一区JCR一区Huiying Zhou, Yiru Chen, Hou Zhong, Yixuan Li, Jiansheng Zhou, Youlin Liu, & Dongyan Li
食品标签
茶/茶饮料 品质、结构与理化性质 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据茶多酚单体的组成和含量对茶饮料的风味和品质具有关键影响,但其结构相似性阻碍了有效区分。本研究中,通过在铁-氮掺杂碳微花(Fe-N-C MFs)上原位还原贵金属纳米颗粒(Pt 或 Au NPs),合成了一种具有高过氧化物酶(POD)模拟活性的复合纳米材料。为了区分四种茶多酚单体,基于其独特的差异催化和抑制特性,开发了一种三通道比色传感器阵列。该阵列进一步与便携式智能手机 RGB 检测平台结合。此外,该方法成功利用茶多酚特征谱区分了商业绿茶饮料,从而展示了其在实际纳米酶食品分析中的潜力。
-
PVKK-Stacking:一种基于光谱数据多样性和元特征优化的铁观音茶掺假分析新型堆叠方法
查看原文2026
Food Control
中科院一区JCR一区Zile Fang, Yaoming Kang, Zhuolin Han, Yushan Liu, Jiayi Han, Jiachun Zhuang, Qinglin Chen, & Zhigang Zhao
食品标签
茶/茶饮料 食品安全与风险评估 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
特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据茶叶掺假检测是食品安全监管中的重要挑战,尤其对乌龙茶而言,不同品种间理化性质相似,传统鉴别方法存在局限。光谱技术具有无损、准确和高效等特点,可为该问题提供有效解决方案。然而,掺假成分的复杂性和多样性使传统基于光谱分析的单一模型通常存在预测精度有限、跨品种泛化能力不足的问题,难以适应不同掺假场景。为解决这一技术瓶颈,本文提出一种新的 PVKK-Stacking 方法。该方法结合多种光谱预处理和变量选择方法,为基模型生成多样化光谱数据,从而为堆叠集成学习提供互补信息。此外,通过 K-means 聚类对基模型进行剪枝,并使用 KPLSR 元模型进行集成。研究以经典乌龙茶铁观音为对象,使用另外四种高度相似的乌龙茶品种制备掺假样品。实验结果表明,PVKK-Stacking 相比对比的单模型和集成方法取得一定改进,并表现出优异稳定性和可靠的跨品种泛化能力。作为一种集成学习方法,PVKK-Stacking 还经过优化以降低预测时间。该方法为乌龙茶掺假检测提供了可靠方案,对保障茶叶质量与安全具有实际价值。
-
使用枸杞芽茶丰富鸡汤的营养和风味特征:基于智能算法的风味分析
查看原文2026
Food Chemistry
中科院一区JCR一区Julong Zhou, Junqin Wu, Yulong Luo, Lili Yao, Juanjuan Zhu, Haijun Ma, Ruiming Luo, Songlei Wang, & Shuang Bai
食品标签
禽肉 茶/茶饮料 预制菜/即食菜肴 营养与生物功能 特征风味 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 风味组学 蛋白质与氨基酸 多酚与黄酮 其他植物化学物质计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据本研究探讨了枸杞芽茶(GBT)作为功能性成分对鸡汤营养质量和风味的影响。结果显示,加入GBT显著提高了鸡汤中的可溶性固形物、水溶性蛋白、氨基酸氮、总酚和总黄酮含量,从而增强了其营养价值和抗氧化活性。此外,加入GBT后,自由氨基酸和5′-核苷酸的含量也有所增加。通过气相色谱-质谱法分析,共检测到48种香气成分。进一步通过正交偏最小二乘判别分析和随机森林模型,识别出桉叶油醇、芳樟醇、1-壬醇、壬醛、苯甲醛和辛醛可能是GBT强化鸡汤中的关键香气物质。本研究系统阐明了GBT在提高鸡汤营养价值和风味方面的潜力,为功能性炖汤的开发提供了理论和证据支持。