01 / 01

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
暂无筛选

标签记录(计算机学者)

随机森林

共 276 条结果

  • 基于非侵入式计算机视觉、物联网和机器学习的 Amasi 酸度实时监测数字孪生方法

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Ismail Adeleke, Nnamdi Nwulu, & Oluwafemi Ayodeji Adebo

    食品标签

    液态乳 其他酱腌/发酵食品 颜色与外观品质 加工与新加工技术 显微与成像技术 常规理化指标测定

    计算机标签

    卷积神经网络 随机森林 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据

    精确酸度控制对 Amasi 等发酵乳制品质量稳定非常重要,但传统滴定和离线检测耗时费力,难以用于实时过程控制。本研究开发了一套集成数字孪生平台,将非侵入式计算机视觉、物联网传感器和机器学习与闭环 PID 温度及搅拌控制结合。研究通过 Raspberry Pi 摄像头在 7 次发酵运行中采集 7666 张时间同步图像,同时记录 pH、总可滴定酸度、电导率和温度等传感器流,并整合巴氏杀菌、接种和温度等元数据。研究评估了 4 种仅图像特征提取策略和 4 种混合特征集,并使用全连接神经网络、XGBoost 和随机森林回归器建模。全集成特征集结合随机森林表现最佳,酸度相关状态预测 R2 为 0.9537,MSE 为 0.0708,MAE 为 0.1256。经温度补偿的电导率可作为 TTA 的连续代理指标,R2 为 0.9279,RMSE 为 0.1889 mL/g,MAE 为 0.1445 mL/g。消融分析显示 CNN 嵌入、颜色直方图和传感器元数据对准确性最关键。该系统可实现连续、非侵入式酸度监测,并支持发酵乳加工的可扩展数字孪生控制。

  • 茶叶品质的智能评估:机器学习辅助表面增强拉曼光谱用于白茶年份鉴定和等级分类

    2026
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Qian Ye, Xianjin Zhang, Yuanyuan Yao, Yueliang Wang, Lifen Chen, Bingyong Lin, Hong Huang, Jianguo Xu, Xin Peng, & Longhua Guo

    食品标签

    茶/茶饮料 品质、结构与理化性质 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 多酚与黄酮

    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 红外/拉曼光谱数据

    传统的茶叶感官评估方法依赖于经验、视觉比色法和主观味觉感知,存在评价者间不可重现的差异性,且无法量化生物活性指标,因此无法建立科学可验证的质量标准。为了解决这一问题,我们开发了一个智能平台,将表面增强拉曼散射与机器学习结合,用于快速和定量的白茶分析,实现仅在20分钟内即可检测。利用银纳米珊瑚基底进行信号增强,并使用785 nm便携式拉曼光谱仪进行全光谱数据采集,我们构建了一个混合机器学习架构,其中随机森林用于年份分类(准确率96%),梯度提升回归器用于表没食子儿茶素没食子酸酯(EGCG)定量(R²=0.98,均方根误差、平均绝对误差和均方误差的值均接近零)。该方法建立了一个明确的EGCG含量分级体系:银针 > 牡丹 > 工美 > 寿眉,这与传统感官评价方法高度一致,同时提供了额外的定量能力。

  • 基于多通道光谱传感器的仪器作为预测咖啡烘焙度的 Agtron 替代方案,使用经典化学计量学和机器学习方法

    2026
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Diang Sagita, Sutrisno Suro Mardjan, Slamet Widodo, Suparlan, & Pradeka Brilyan Purwandoko

    食品标签

    咖啡饮料 传统热加工 过程监测与在线检测 光谱/色谱/质谱等分析方法

    计算机标签

    机器学习/统计学习 偏最小二乘法 支持向量机 随机森林 定量预测/回归分析 时序传感器/物联网数据 红外/拉曼光谱数据

    本研究开发了一种新的替代 Agtron 检测系统,使用低成本多通道光谱传感器(410 - 940 nm)结合经典和现代化学计量回归方法,并将选定的模型实现于嵌入式系统中,从而产生便携、经济且适用于现场的设备。从不同产地的阿拉比卡和罗布斯塔样品在不同烘焙程度下收集光谱数据。建模采用定量化学计量学方法,从经典(多元线性回归-MLR和偏最小二乘回归-PLSR)到现代,包括三种机器学习(ML)算法(随机森林-RF、支持向量回归-SVR、人工神经网络-ANN)。所有方法和场景都具有较高的预测精度(R²_v 0.983 - 0.994,RMSEV < 4.7,RPD > 7.7),即使只使用50%的选定波长。此外,所选模型已成功嵌入到独立的微控制器设备中,并提供了可靠的结果(R² 0.965 - 0.967,RMSE < 3),即使在对来自不同咖啡类型(利比里卡和埃克塞尔萨)的新样本进行测试时也是如此。

  • 基于高光谱成像与激光诱导荧光数据融合的黄曲霉毒素 B1 污染花生快速无损识别

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Yiwen Zhuang, Xiaoyun Yang, Xueming He, Peng Li, & Yong Fang

    食品标签

    豆类与坚果(及籽类) 食品安全与风险评估 质构与流变性质 光谱/色谱/质谱等分析方法 显微与成像技术 脂质与脂肪酸

    计算机标签

    随机森林 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱

    本研究聚焦于为两类黄曲霉毒素 B1 污染花生(人工添加标准样本和自然霉变样本)开发无损检测方法。研究采用高光谱成像获取反射率、颜色和纹理特征,并利用激光诱导荧光光谱获取荧光强度,系统考察了近红外与荧光光谱在 AFB1 检测中的局限性和比较优势。通过中层数据融合,并结合无信息变量消除进行光谱特征优化,研究确定了最优特征融合策略和建模方法。结果表明,对于人工添加标准样本,仅使用荧光信息即可实现较精确的 AFB1 检测,随机森林模型区分污染样本与合规样本的准确率达到 96.88%;定量预测中,RF 回归模型验证集决定系数 R2v 为 0.927。对于自然污染样本,高光谱和荧光特征的协同融合有效缓解了花生样本异质性对 AFB1 检测的不利影响,并显著提高了预测精度。融合荧光强度、反射率和纹理特征的 RF 模型鉴别准确率达到 97.14%,对应 RF 回归模型 R2v 为 0.841。值得注意的是,单一光谱技术在预测花生 AFB1 污染时表现不稳定,校准模型容易失效。研究还通过分析贮藏过程中的水分、脂肪酸、色度和微观结构变化,阐明了自然污染花生的理化变化及其对光谱响应的潜在影响。本研究建立了花生 AFB1 污染稳健无损预测框架,为食品安全监测提供了方法学进展。

  • 借助机器学习的代谢组学解码芽孢杆菌生物膜对巴氏杀菌应激的适应性重塑

    2026
    npj Science of Food
    中科院一区
    JCR一区
    查看原文

    Lijiao Liang, Ping Wang, Xiaomei Zhao, Zheren Wang, Beibei Xu, Qinglong Ji, Di Wu, & Ying Chen

    食品标签

    液态乳 微生物安全 生物膜与耐受性研究 代谢组学 蛋白质与氨基酸

    计算机标签

    随机森林 分类/鉴别/等级评定 组学数据

    低温乳制品的普及受到芽孢杆菌属的挑战,这些菌的耐热孢子和生物膜常常能在巴氏杀菌过程中存活。此外,热处理在某些芽孢杆菌中反而能增强生物膜的形成,这一现象的代谢基础尚未完全理解。通过结合非靶向代谢组学与随机森林分析,我们解析了生乳中芽孢杆菌分离株在热诱导生物膜增强背后的代谢适应机制。我们的结果显示了株特异性的机制:在BC01株中,热应激激活了谷氨酰胺酶,耗尽L-谷氨酰胺和游离组氨酸以缓解代谢抑制并激活生物膜基因,而黄嘌呤核苷的减少则促进了生物膜状态的转变。在BS01中,代谢网络重构导致精氨酸、D-氨基酸、多巴胺和花生四烯酸的合成减少,从而减轻了它们对生物膜形成已知的抑制作用。本研究阐明了热应激下生物膜适应的代谢驱动因素,突出了乳制品安全代谢干预的新靶点。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号