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 122 条结果
-
可解释机器学习辅助中红外光谱用于扁形绿茶质量的定性与定量评估
查看原文
2026
Food Control
中科院一区JCR一区
Yujie Wang, Huahao Yu, Xuechen Zhang, Xinbei Song, Sitan Ye, Mostafa Gouda, & Xiaoli Li
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 红外/拉曼光谱数据茶叶地理来源识别长期以来都是一个难题，但适用于茶叶地理来源的绿色、可循环识别方法仍然缺乏。因此，本研究旨在探索中红外光谱和机器学习用于扁形绿茶地理来源追溯与成分检测的可行性。研究评价了 100 个扁形茶样本，其中包括 50 个地理标志龙井茶样本和 50 个非地理标志样本。GI 与非 GI 样本在茶多酚和游离氨基酸含量方面均存在显著差异（p < 0.05）。基于 MIR 的非线性 SVM 模型对 34 个茶样本实现了准确识别，准确率为 97.06%。非线性 SVR 和线性 CARS-PLSR 模型分别实现了茶多酚和氨基酸的定量预测，RMSE 分别为 0.78% 和 0.09%。SHAP 值进一步表明，2196、1988 和 2181 cm-1 的波数分别主导地理来源、茶多酚和氨基酸预测，其中 2196 cm-1 为负贡献，1988 和 2181 cm-1 为正贡献，从而有助于提高模型准确性。本研究为农产品地理来源追溯提供了可靠模型。
-
十种食用花茶非挥发性和挥发性化合物差异的比较研究：整合多组学、分子对接与机器学习方法
查看原文
2026
LWT
中科院一区JCR一区
Yi-xiao Xiao, Wen-zhang Qian, Shao-jun Fan, Xu Han, Fei Wang, Yun-yi Hu, Sheng-xiang Chen, Hong-ling Hu, & Shun Gao
食品标签
食用花卉 茶/茶饮料 特征风味 抗氧化/抗炎等功能 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
随机森林 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据中国花茶因其香气和健康特性而被视为传统功能饮品。本研究采用整合方法，结合智能感官评价（电子鼻/电子舌）、非靶向代谢组学、GC-MS、分子对接和机器学习，对十种食用花茶进行分析，包括重瓣桃、东京樱花、鄂西樱桃、李、梅、美人梅、日本晚樱、桃、海棠和紫叶李等。感官评价显示，PSF、MMF 和 PSLF 品质较优（评分高于 84），并与甜味和鲜味特征相关。电子鼻和 GC-MS 揭示了不同样品的挥发性特征，其中 PSLF 的花香与较高倍半萜含量相关。电子舌检测到 PPF 和 PMF 具有明显苦味，分子对接显示尽管其生物碱含量较低，但 gambiriin A1 等化合物可能通过与苦味受体 T2R46 作用贡献苦味。代谢组学共识别出 3049 种共有代谢物，与鲜味受体 T1R1/T1R3 的分子对接确认 O-acetyl-L-homoserine 和黄酮苷类为关键呈味活性化合物。生物活性测定表明，PSLF 具有较强抗氧化能力（DPPH/ABTS IC50 分别为 0.375/0.242 mg/mL），PSF 对 alpha-glucosidase 具有较强抑制作用（IC50 为 0.086 mg/mL）。随机森林建模进一步指出槲皮素衍生物和 citrusin 异构体是主要生物活性贡献物。该多组学分析为理解花茶传统吸引力提供了科学依据，并支持其在功能饮料中的定向应用。
-
基于深度学习增强的感应耦合等离子体原子发射光谱法用于绿茶产地与等级的多变量认证
查看原文
2025
Food Research International
中科院一区JCR一区
Yiqing Sun, Xiaocheng Song, Siyuan Yang, Ning Lu, Zhenhui Gao, Lingshuai Kong & Jinhua Zhan
食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
主成分分析/判别分析 深度学习 分类/鉴别/等级评定 组学数据绿茶的产地和等级显著影响其市场价值，但同时对其进行认证仍然具有挑战性。本文开发了一种结合多种金属元素和反向传播神经网络（BPNN）的稳健方法，用于同时识别茶叶的产地和等级。该策略利用感应耦合等离子体原子发射光谱法（ICP-AES）分析绿茶（如龙井茶）样品中多种元素的含量。BPNN对产地和等级的识别准确率分别达到92.59%和88.89%。随后，使用沙普利加性解释（SHAP）来可视化模型的识别过程，并将其降维性能与主成分分析（PCA）进行比较。尽管两种方法在识别产地方面表现出相似的性能，但基于SHAP的优化在茶叶等级分类方面被证明更有效。本文提出的策略为茶叶产地和等级的同时识别与认证建立了一种简单可靠的方法。
-
基于非靶向代谢组学与机器学习对不同海拔福云6号和中茶108茶树鲜叶的鉴定与品质评价
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Liangji Wu, Ruixin Lou, Qiang Zhang, Kaikai Li & Tao Hou
食品标签
茶/茶饮料 品质、结构与理化性质 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 组学数据茶树品种和生长海拔是影响茶叶品质的关键因素。本研究系统探究了它们对中茶108（ZC108）和福云6号（FY6）鲜叶品质的单独影响及协同作用，这两个品种的茶叶采集自海拔442至945米的区域。化学分析表明，中茶108的氨基酸、茶氨酸、糖类、黄酮类化合物和儿茶素含量高于福云6号。随着海拔升高，两个品种茶叶中的茶多酚、黄酮类化合物、咖啡因和儿茶素含量均有所降低。非靶向代谢组学鉴定出50种与品种相关的代谢物和40种与海拔相关的代谢物。随着海拔升高，苯丙素、嘌呤和黄酮类生物合成等关键代谢通路被上调。香豆素存在显著的品种×海拔交互作用。机器学习在品种分类中达到了100%的准确率（随机森林：96.7%，支持向量机：93.3%，K近邻：90%），凸显了品种因素的主导地位。研究还鉴定出了关键生物标志物，如苯乙醇和6-O-对-D-呋喃果糖基-O-葡萄糖。这些发现为茶树品种鉴定、产地溯源和品质控制提供了依据。
-
龙井茶的定量非挥发性感应物，以及通过感官分析、大规模定量代谢组学和机器学习区分味觉质量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xujiang Shan, Lingchi Niu, Qianting Zhang, Zhizhen Fang, Yuning Feng, Rui Liang, Zhenxing Xu, Shan Zhang, Le Chen, Weidong Dai, Qinghua Zhou, Yongwen Jiang, Haibo Yuan & Jia Li
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮计算机标签
机器学习/统计学习 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据 小规模数据集关于龙井茶中定量非挥发性感索他菌的研究仍然缺乏。本书通过感官定量分析和定量代谢组学分析了42个龙井茶样品的口感和分子特征。首次通过使用超高性能液相色谱质谱对茶浸中104种非挥发物进行绝对定量，绘制出一个全面的景观图。氟烷-3-醇最为丰富（1051.90–1571.98 mg/L），其次是生物碱（447.16–620.26 mg/L）、氨基酸（378.15–730.41 mg/L）、酚酸（296.88–516.93 mg/L）、有机酸（98.92–163.38 mg/L）、黄酮苷类（34.02–111.59 mg/L）等。表食子子儿茶素-戊酸、咖啡因、茶氨酸、喹僩酸、柠檬酸、凯姆费罗-3-半乳糖基醛苷在各类中占主导地位。茶饮中味道鲜味与醇厚味主要体现在氨基酸和类黄酮的化学差异，其中16种化合物是关键差异。此外，利用二元逻辑回归构建了有效的味觉评估和辨别模型（预测准确率97.6%，鲜味与柔和），利用关键标志化合物Kaempferol-3-O-葡萄糖基视素苷和天冬氨酸。
