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
-
走向智能酿酒系统(IOS):从自动感应到酿酒中的主动控制
查看原文2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Guangyi Yang, Xiaohua Ma, Xinlong Chen, Qianxin Liu, Yongsheng Tao, & Xuebing Bai
食品标签
酒精饮料 过程监测与在线检测 过程优化与控制策略 发酵工艺与动力学计算机标签
机器学习/统计学习 模型可解释性 过程控制与实时优化 多模态/融合数据 时序传感器/物联网数据智能传感、人工智能(AI)和控制技术的整合正在将传统酿酒转变为更加数据驱动和响应敏捷的过程。本文提出了智能酿酒系统(IOS)的概念,并对最近智能酿酒技术的发展进行了评论,重点关注涉及物联网(IoT)设备、传感器网络和基于AI的建模的技术。主要创新包括部署多模态传感器,以在从葡萄浸渍到葡萄酒陈酿的各个阶段实时监测温度、pH值、溶解氧、光谱信号和气体生成。机器学习和数字孪生模型的进步支持对发酵过程的预测控制,而强化学习和逆向设计框架则能够实现面向特定风味目标的数据驱动决策。这些技术有助于提高工艺精度、减少资源消耗并增强产品一致性。然而,数据互操作性、模型可解释性和系统集成等挑战仍然限制了其广泛应用。涉及边缘计算和标准化数据本体的新兴解决方案正在帮助解决这些问题。通过将智能酿酒与可持续性、可追溯性和个性化口味目标相结合,本综述突出了其对葡萄酒产业未来的变革潜力。
-
稀有微生物类群作为酱香型白酒发酵产量差异的潜在驱动因素:来自微生态学和机器学习的见解
查看原文2026
International Journal of Food Microbiology
中科院一区JCR一区Shuai Li, Liang Yang, Hai Du, Shuyi Qiu, & Yan Xu
食品标签
酒精饮料 特征风味 常规理化指标测定 发酵工艺与动力学计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析酱香型白酒的多轮固态发酵过程表现出白酒产量的显著波动。然而,产量变化的微生态因素及其调控策略仍不清楚。在本研究中,我们系统地检查了第1轮到第7轮的微生态结构和理化参数,以解释产量变化。稀有微生物类群,尤其是始终稀有类群(ART)和条件性稀有类群(CRT),在塑造微生物网络和群落组装中发挥了关键作用。此外,稀有微生物如地衣芽孢杆菌(Lentibacillus)和假单胞菌属(Pseudomonas)表现出与丰度较高微生物如醋酸菌(Acetobacter)和假丝酵母(Zygosaccharomyces)(SF:65.83%,PF:61.89%)明显不同的生态位分割,从而协同促进了白酒产量的变化。此外,开发了一种堆叠集成模型,并将其集成到用于产量预测的交互式网页平台中,其准确性和泛化能力均高于单一算法(R² = 0.80 - 0.86;误差 = 6.34%)。SHAP(Shapley加性解释)可解释性分析进一步阐明,高产批次主要受益于酒糟中乳酸含量低(<5.10 mg/g)和酸度低(<3.33 mg/g),而低产批次则受到淀粉不足(<13.23%)和水分过低(<43.82%)的限制。本研究揭示了稀有微生物在产量变化中的关键生态作用,并提出了一种用于发酵控制的人工智能模型。
-
机器学习辅助识别浓香型白酒发酵过程中糟醅和窖泥中的核心风味化合物并预测核心微生物
查看原文2025
Food Chemistry
中科院一区JCR一区Jiang Xie, Jiaxin Hong, Chunsheng Zhang, Xin Yuan, Zhigang Zhao, Dongrui Zhao, Shimin Wang, Baoguo Sun, Ran Ao, Jinyuan Sun, Yuling Sun, Mingquan Huang & Xiaotao Sun
食品标签
酒精饮料 感官科学与消费者研究 组学与高通量技术 其他特殊成分计算机标签
智能手机/其他 分类/鉴别/等级评定 组学数据浓香型白酒(SFB)的品质直接由关键风味化合物决定,而这些化合物在发酵过程中会受到微生物的影响。本研究采用风味组学和机器学习技术,探究浓香型白酒中感官属性与风味化合物之间的关系。研究初步确定,甜味香气和粮香是影响浓香型白酒品质分级的核心感官属性。此外,通过机器学习分类模型,成功预测出影响浓香型白酒甜味香气和粮香的关键风味化合物。验证实验进一步证实了影响这些感官属性的核心风味化合物。预测模型显示,发酵池中的核心微生物(如异常威克汉姆酵母)会调节风味化合物,进而影响甜味香气和粮香的呈现,最终决定浓香型白酒的品质。本研究展示了机器学习在浓香型白酒风味研究中的潜力,并为其风味形成机制提供了宝贵的见解。
-
Bagging和Boosting机器学习算法从简单化学变量建模感官知觉:以葡萄酒口感为例
查看原文2025
Food Quality and Preference
中科院一区JCR一区María-Pilar Sáenz-Navajas, Chelo Ferreira, Susan E. P. Bastian & David W. Jeffery
食品标签
酒精饮料 感官科学与消费者研究 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集旨在根据化学数据预测感官特性,对集成袋装和增强型机器学习(ML)算法的应用进行了全面研究,并将其应用于基于简单化学测量对澳大利亚和西班牙的 30 种商业红葡萄酒口感进行建模。由 15 名澳大利亚酿酒师使用“所有适用率”感官方法描述了这些葡萄酒的口感特性。同时,还获取了这些葡萄酒的线性扫描伏安信号、激发发射矩阵(EEM)和吸光度数据。数据按照无监督统计策略进行分析,包括主成分分析(PCA,采用方差最大旋转)以简化感官变量的解释,以及基于 ML 的监督回归模型,即随机森林(RF)和极端梯度提升(XGBoost)。PCA 结果表明,四个独立且不相关的感官维度主要与“干燥”、“丰满度”、“丝滑”和“黏腻”等感知相关,这些维度在不同葡萄酒之间有所区分。RF 和 XGBoost 算法生成的验证性回归模型优于传统的 PLS 模型。这些机器学习算法在测试数据上的预测表现十分出色,对于所使用的任何一组化学变量,其平均准确率都超过了 80%。尽管 XGBoost 提供的模型略好一些,但随机森林所需的计算量较小,这一点具有优势。模型中包含的关键变量以及控制过拟合的重要性也进行了讨论。总的来说,吸光度、伏安法或 EEM 信号与随机森林或 XGBoost 算法相结合,被展示为一种成本低廉、易于使用且快速的方法,可用于从复杂的基质(如葡萄酒)中的化学信号预测感官特性。
-
一种基于表面增强拉曼光谱与机器学习技术联合应用的葡萄酒品牌快速识别方法
查看原文2025
Food Chemistry
中科院一区JCR一区Haoran Meng, Danheng Gao, Qihan Zhang, Meng Luo, Kang He, Zhaonan Huang, Jiahao Liu, Tao Geng & Weimin Sun
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集本文提出一种创新方法,将表面增强拉曼散射(SERS)光谱技术与机器学习相结合,实现红酒品牌的免前处理、快速且精准识别。表面增强拉曼散射技术可高灵敏度检测葡萄酒中的微量分子特征物质(如多酚类物质)。采用主成分分析法对光谱数据进行预处理,并通过卷积神经网络(CNN)模型完成特征提取与品牌识别。实验选取18款葡萄酒(中国、智利、意大利各6款),共采集得到1080条光谱数据。该模型最高分类识别准确率可达99.27%。这种SERS-CNN联用方法可实现无损、实时的品牌鉴别,单样本检测耗时不足3秒,兼具便携性与高效性,在红酒品牌溯源保护、品质安全监管以及消费市场领域具备重要的应用前景。