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 712 条结果
-
机器学习在柑橘精油行业中的应用:关于工艺优化、鉴定以及风味和生物活性化合物开发的综合综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ruijie Mai, Yang Li, Jingnan Ren, Gang Fan & Jinchu Yang
食品标签
香精香料 食品安全与风险评估 特征风味 副产物与废弃物高值利用 过程优化与控制策略 植物化学/生物活性成分计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 设计/生成与推荐背景:柑橘精油(富含风味物质和生物活性化合物)是从柑橘果皮(作为加工副产品,约占果实质量的40%-50%)中提取而来,这实现了柑橘的综合利用,同时减轻了环境污染。提取工艺参数、分析技术以及化合物研发的日益复杂化,产生了大规模、复杂的数据集,因此需要应用先进的计算分析技术(机器学习,ML)来进行高效的数据处理与分析。
范围与方法:本综述系统地介绍了机器学习模型构建的一般流程(包括数据收集、预处理、模型选择和模型评估),重点阐述了其应用(包括工艺优化、产量预测、溯源、掺假鉴别、关键风味化合物的表征与鉴定,以及风味和生物活性化合物的预测与合成)。后续章节批判性地探讨了主要的挑战和局限性,并最终提出了未来的展望。
主要发现与结论:机器学习已渗透到精油产业的各个环节,大约从2020年开始,其应用逐渐从传统的机器学习算法(依赖人工特征提取)向深度学习算法(采用神经网络进行自动特征学习)过渡。这一技术演进显著提高了生产效率、质量控制、风味调控以及生物活性化合物的研发水平。为进一步推动机器学习在该领域的应用,未来应优先致力于:建立全面的公共数据库;开发特定领域的数据预处理方法;确定质量控制的关键特征;推进混合建模和多任务建模;开展计算模拟和生物学验证;提高可解释性和商业适用性。 -
基于溶剂的中红外光谱结合现代机器学习方法用于藏红花真伪鉴别
查看原文2025
Food Research International
中科院一区JCR一区Hadi Parastar, Linus Busse, Andreas Wolf & Philipp Weller
食品标签
其他果蔬制品/植物类 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集本研究展示了使用配备MIRA分析仪的溶剂中红外(MIR)光谱,结合现代机器学习/化学计量学技术,用于藏红花质量与真伪控制。分析了来自伊朗六个不同地理区域的111个真实藏红花样品。藏红花代谢物提取采用基于ISO 3632标准的改良溶剂提取方案,并通过实验设计(DOE)进行筛选和优化。研究聚焦于两个主要目标:地理来源鉴别和掺假检测。探索性数据分析采用主成分分析(PCA)。使用偏最小二乘判别分析(PLS-DA)进行地理来源鉴别,在测试集中达到93.0%的准确率,其中一阶导数是一个重要的预处理步骤。然而,使用随机子空间判别集成(RSDE)无需对MIR数据进行预处理,获得了更高的95.5%准确率。在下一阶段,使用MIRA分析仪检测了四种常见的植物基藏红花掺杂物,包括红花、万寿菊、茜草乃至藏红花花柱。数据驱动的软独立建模类别类比法(DD-SIMCA)成功区分了真实样品和掺假样品,实现了100%的灵敏度和特异性。随后使用PLS-DA和RSDE来识别掺杂物的类型和水平,RSDE明显优于PLS-DA,准确率超过94.0%,而PLS-DA的准确率超过90.0%。总之,基于溶剂的MIR光谱与现代化学计量学技术的结合,显示出作为现场藏红花质量控制的可靠工具的巨大潜力。
-
KadsuraChem:基于机器学习的Kadsura植物化学物质LC-MS数据库及其在异形南五味子化合物鉴定中的作用
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Hanwen Yuan, Wei Su, Mengyun Wang, Shi-qi Liu, Huanghe Yu, Bin Li, Yupei Yang & Wei Wang
食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法 其他统计建模方法 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据 文本/知识库/法规数据 中等规模数据集富含生物活性二苯并环辛二烯和三萜类化合物的南五味子属植物广泛应用于传统医药和食品工业。先前针对异形南五味子的LC-MS研究仅鉴定出25种二苯并环辛二烯类化合物,且存在异构体混淆和假阳性问题。本研究基于161种已分离的南五味子二苯并环辛二烯和三萜类化合物开发机器学习模型,预测缺乏参考标准的南五味子或五味子科化合物的保留时间(RT)和裂解模式。通过整合RT、裂解模式、MS2谱图及化学信息,构建了KadsuraChem LC-MS数据库(基于mzVault和MassLists),有效减少假阳性并促进异构体区分,显著提升鉴定准确性和效率。此外,发现异形南五味子根和果实中木脂素与三萜含量高于茎叶,为其进一步研究和利用奠定基础。
-
机器学习在食品计算中的应用:综述
查看原文2025
Food Chemistry
中科院一区JCR一区Zhiyao Zhao, Rong Wang, Minghao Liu, Lin Bai & Ying Sun
食品标签
过程控制与数字化计算机标签
机器学习/统计学习 卷积神经网络 可见光/RGB/视频数据 文本/知识库/法规数据随着全球智能化水平不断提升、可持续发展意识日益增强,人工智能技术在食品行业中的应用愈发广泛。本文结合实际应用案例,综述了基于机器视觉的图像识别技术在食品计算领域的研究现状与发展前景,剖析了图像识别的通用工作流程,以及基于传统机器学习和深度学习方法的各类应用场景。研究涵盖食品安全检测、膳食营养分析、生产过程监控、企业管理模式优化等多个领域,旨在为食品行业与人工智能技术的深度融合、交叉赋能提供坚实的理论依据与技术参考。
-
人参皂苷多维信息库(GinMIL)的应用:精准表征多样化人参产品中的皂苷并加速新皂苷化合物的发现
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Hongda Wang, Huizhen Cheng, Min Zhang, Yadan Zou, Ruohan Wen, Kefeng Li, Duo Wang, Mengxiang Ding, Qinhua Chen, Qi-long Wang, Xiu-mei Gao & Wenzhi Yang
食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法 其他统计建模方法 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 设计/生成与推荐 组学数据 文本/知识库/法规数据 中等规模数据集利用液相色谱-质谱法(LC-MS)对人参中的人参皂苷进行准确鉴定是一项具有挑战性的任务,因为缺乏足够的结构信息。通过机器学习技术,我们建立了一个人参皂苷多维信息库,即 GinMIL,涵盖了 579 种人参皂苷的四个结构信息维度。这项工作旨在准确鉴定来自三七产品的人参皂苷,并通过离子移动 LC/MS 分析和在 UNIFI 上高效的 GinMIL 匹配,快速从五叶人参花中发现新的人参皂苷。结果表明,分别从三七的三个部分、两种提取物、四种单剂制剂和七个复剂制剂中鉴定出了 334/356/738/545 种人参皂苷。在四种不同类型的三七产品中,分别发现了 45/99/59/116 种新的质量峰。通过 GinMIL 分析,从五叶人参花中分离出了四种新的人参皂苷,包括三种罕见的二甲基甘草皂苷和一种甲基化甘草皂苷。这项研究能够验证 GinMIL 的优越性,从而极大地促进对多种成分的分析以及从功能性草药中发现新化合物的工作。