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 712 条结果
-
不同干燥方法对茶树（Camellia sinensis）的影响：利用人工神经网络研究质量参数和干燥动力学
查看原文
2025
LWT
中科院一区JCR一区
Muhammed Emin Topal, & Birol Şahi̇
食品标签
茶/茶饮料 干燥保藏 品质、结构与理化性质 常规理化指标测定 动力学建模计算机标签
机器学习/统计学习 定量预测/回归分析本研究旨在比较采用四种不同干燥方法（冷冻干燥 FD、热风干燥 HAD、红外干燥 ID 和微波干燥 MWD）处理的茶叶的干燥动力学和质量结果。六种薄层干燥模型（Alibas、Demir 等、Henderson & Pabis、改进的 Midilli-Kucuk、对数模型和 Weibull 模型）被拟合到实验数据。人工神经网络（ANN）模型也被开发用于利用干燥时间和工艺参数作为输入来预测无量纲含水率 (MR)。ANN 模型显示出较高的预测性能，R² 值高达 0.9999。此外，ANN 模型实现了强大的泛化性能，Rc² = 0.9967，Rp² = 0.9132，RPD = 3.3936，验证了其出色的预测能力。质量评估显示，冷冻干燥（FD）保留了最高的抗氧化能力（高达94.7 ± 0.1%），其次是微波干燥（MWD）、热风干燥（HAD）和红外干燥（ID）。FD观察到最低的水活性（0.29 ± 0.01 到 0.34 ± 0.01），有助于延长保质期，而MWD显示最高水活性（0.41 ± 0.04 到 0.64 ± 0.01）。颜色分析表明FD的变化最小，而ID变化最大。总体而言，FD制得的茶叶质量最高，而MWD干燥速度更快。人工神经网络（ANN）模型有效捕捉了非线性干燥行为。这种集成建模与评估方法可以支持未来茶叶干燥工艺的优化和质量控制策略。虽然统一的ANN模型精度很高（总R = 0.9999），但模型的泛化能力目前仅限于单一茶树品种的实验室规模试验。对工业干燥机和不同叶片等级的进一步验证是必要的，而且人工神经网络（ANN）的"黑箱"性质使得直接的物理化学解释变得复杂。这是已知的首个将人工神经网络（ANN）和数学建模方法结合起来，全面评估经四种不同干燥方法处理的茶叶干燥动力学和质量特性的研究。
-
食品智能干燥中的AI技术：研究与应用综述
查看原文
2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Zhe Wang, Min Zhang, Arun S. Mujumdar, Jiacong Lin & Dongxing Yu
食品标签
干燥保藏 能耗/水耗与环境影响分析 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 过程控制与实时优化 可见光/RGB/视频数据 高光谱/多光谱光谱人工智能（AI）与传感器技术将成为未来食品加工行业智能化研究的重点。AI与传感器技术在食品干燥行业的融合，有助于可视化高度非线性、复杂且动态变化的食品干燥过程，从而深入理解干燥动力学并指导干燥工艺优化。本文系统综述了各类AI技术在食品干燥中的应用，阐述了多种先进AI与传感器（电子鼻、计算机视觉、高光谱成像等）结合用于食品干燥过程实时监测的潜在应用与局限。此外，根据不同食品干燥过程的特点，总结了适用的AI技术及相关传感技术。最后，探讨了AI结合5G与物联网技术用于食品干燥在线实时监测的应用与前景，旨在为该领域提供新的研究方向。针对不同的干燥方法与食品原料，结合适当的AI技术与传感技术，可以实时处理大量特征数据，显著减少计算时间并提高预测精度，优化工艺参数，提升干燥食品品质，并最大程度节约能源。AI与传感技术在食品干燥在线实时监测方面具有广阔前景。
-
利用化学计量学融合HS-SPME-GCMS、NIRS和荧光，有望探索龙胆根茎的地理起源
查看原文
2025
Food Chemistry
中科院一区JCR一区
Céline Lafarge, Laurence Dujourdy, Gilles Figueredo, Stéphanie Flahaut, Christophe Poix, Laurent Rios, Elias Bou-Maroun & Christian Coelho
食品标签
食用花卉 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
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据黄龙龙胆根茎因其独特的生化成分而具有苦味特性，目前在植物疗法、动物营养、食品加工、化妆品应用及农业生态学领域备受关注。本研究采集了法国阿尔卑斯、汝拉、中央高原和比利牛斯四座不同山脉的55份黄龙龙胆根茎样本，构建了近红外光谱、荧光光谱以及顶空固相微萃取-气相色谱质谱联用数据集，旨在从不同尺度评估黄龙龙胆成分的变异特征。研究证实，数据融合策略可有效大范围判别黄龙龙胆根茎的地理来源。研究结果表明，相较于单一分析工具的独立判别结果，数据融合方法在黄龙龙胆根茎产地溯源区分效果上具备更优潜力。但若要借助上述技术实现同一山体内黄龙龙胆根茎的精准产地溯源，还需综合考量环境因素。
-
利用机器学习促进基于LC-QToF的非靶向指纹识别和生物标志物选择，以区分红茶的地理来源
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yicong Li, Nicholas Birse, Yunhe Hong, Brian Quinn, Natasha Logan, Yanma Jiang, Christopher T Elliott& Di Wu
食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 代谢组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据红茶地理来源的可追溯性不足与标签错标问题，是该行业面临的主要造假隐患。由于多类别代谢组学分析中化学指纹图谱的复杂性，不同地理标志产品之间的产地鉴别存在较大难度。本研究采集了9个主要种植地理标志产区的302份红茶样品，基于液相色谱-四极杆飞行时间质谱技术构建了一套完整的非靶向指纹图谱分析流程，并对比了传统化学计量学建模方法与机器学习方法的应用效果。研究筛选出229种和145种代谢物作为特征标志物，通过内部七折交叉验证与外部验证进一步检验模型的稳定性和识别性能，结果显示两种验证方式下的地理标志产地鉴别准确率均达到100%。该研究为实验室场景下提升红茶供应链的透明度与溯源能力提供了全新解决方案。此外，本研究建立的标志物筛选流程，也为后续基于机器学习的非靶向代谢组学研究提供了更多研究思路与参考价值。
-
用于检测食品欺诈的新兴技术：21世纪20年代现状综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Xavier Marín, Eduard Grau-Noguer, Guillem Gervilla-Cantero, Carolina Ripolles-Avila & Manuel Castillo
食品标签
食品安全与风险评估计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定背景：食品欺诈是指为了经济利益而故意掺杂或虚假陈述食品产品的行为。在21世纪20年代，它已成为一个日益严峻的全球性挑战，对公众健康、消费者信心和经济都有着重大影响。复杂的国际供应链、经济压力以及新冠肺炎疫情暴露出来的漏洞，都增加了欺诈行为发生的可能性。
范围与方法：本综述探讨了食品领域新兴技术和数字化在应对食品欺诈方面的最新进展。我们概述了先进的分析方法，包括光谱法、成像法、色谱法、光谱技术、分子DNA检测以及新型传感器平台，这些方法用于更快速、更灵敏地鉴定食品和识别掺杂物。作为这些仪器进展的补充，机器学习（ML）、其他人工智能（AI）工具和区块链系统等数据驱动方法增强了食品供应链中的模式识别和可追溯性。
主要发现与结论：将基于人工智能的预测分析与传统及新兴的实验室方法相结合，显著提高了欺诈检测能力，而区块链和物联网（IoT）创新则实现了对食品真实性的安全、实时追踪。本综述讨论了上述技术如何共同增强揭露欺诈的能力，并强调需要跨学科合作、协调统一以及更新监管框架来支持这些技术的应用。它还整合了2020–2024年的欺诈事件数据、按食品基质和全球区域进行的分类，以及对新兴方法和数据处理与模式识别工具的详尽综述。总之，新兴的分析和数字工具有望大幅减少食品欺诈，但需要持续的投资和全球合作，才能在未来充分保障食品的完整性。
