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
-
机器学习引导的减糖冰淇淋配方优化：从甜味剂特性到质构还原
查看原文
2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Yueteng Hu, Fang Zhong, Haohan Ding, Sarina Bao, Renjiao Han, Caiyun Wang, Jian He & Yixun Xia
食品标签
其他乳制品 质构与流变性质 质构与流变测试计算机标签
机器学习/统计学习 定量预测/回归分析 中等规模数据集本研究超越了传统的试错法，采用机器学习来加速开发可口低糖冰淇淋。我们专注于克服由蔗糖替代物引起的特征性风味和质构缺陷，从而提高所得配方的消费者接受潜力。使用大约600个实验测量数据点训练了多个模型。采用五折交叉验证来比较和选择最优模型，使得能够基于甜味剂分子特性预测冰淇淋浆料和最终产品的关键理化性质和质构特性。在甜味剂添加量和冰点降低能力等属性与浆料粘度、成品硬度、膨胀率等性质之间建立了相关性。本研究中，甜味剂的摩尔量与冰点降低程度高度相关，而添加质量与粘度强烈相关。同样，摩尔体积与膨胀率显著相关。通过结合相关配方约束，模型自动输出优化的多甜味剂混合方案，这些方案能够提供接近预设目标的质构特性，同时满足限制条件。通过模型推导出五种混合方案和预测的性质值后，实际的样品制备验证了这些预测，性质值误差在5%以内，感官质构轮廓与传统蔗糖基冰淇淋样品相当。该策略显著缩短了配方开发周期，降低了研发成本，为具有强大工业适用性的低糖冷冻甜点的智能设计提供了一条高效且可扩展的途径。
-
解码金华火腿的香气特征：基于风味组学的机器学习模型用于火腿年龄鉴别及硬件实现
查看原文
2025
Food Research International
中科院一区JCR一区
Wenlu Li, Xinwei Fan, Hong Zeng & Yanbo Wang
食品标签
畜肉 加工与新加工技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据金华火腿是中国的地理标志农产品，在发酵过程中具有独特的风味。三年陈的金华火腿因其优越的风味和营养价值而备受推崇，但目前的年份鉴别依赖于工人的经验，存在较高的掺假风险。本研究采用气相色谱-质谱联用（GC-MS）和气相色谱-离子迁移谱（GC-IMS）分析了储存0.5年、1年、2年和3年的金华火腿中风味化合物的差异。通过气味活性值（OAV）≥ 1，从不同年份的金华火腿中鉴定出54种香气活性化合物，其风味从蘑菇味转变为柑橘/青草/黄油味，再到坚果味，最终以椰子、桃子和花香-脂肪香为主。通过绘制化合物含量分布图筛选出18种关键的鉴别性化合物。进一步，基于散点图和SHAP值，发现1-辛烯-3-醇和癸酸可用于鉴别火腿的年份。随后，构建了四种用于年份鉴别的机器学习模型（逻辑回归LR、支持向量机SVM、朴素贝叶斯NB和决策树DT），并表现出高准确率，最高达到100%。特别是，基于决策树分类模型构建了一个便携式火腿品质评估电路，因其良好的泛化能力和简洁的结构。本研究为利用GC-MS结合机器学习准确预测金华火腿的年份提供了理论基础。
-
通过多源数据融合进行先进食品污染物检测：策略、应用与未来展望
查看原文
2025
Trends in Food Science and Technology
中科院一区JCR一区
Selorm Yao-Say Solomon Adade, Hao Lin, Nana Adwoa Nkuma Johnson, Xorlali Nunekpeku, Joshua Harrington Aheto, John-Nelson Ekumah, Bridget Ama Kwadzokpui, Ernest Teye, Waqas Ahmad & Quansheng Chen
食品标签
食品安全与风险评估 微生物安全 化学污染物 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 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 多模态/融合数据背景：食品供应链的全球化和对食品安全保证日益增长的需求，凸显了传统分析方法在检测污染物方面的局限性。这些传统方法通常难以捕捉食品基质固有的复杂性，其特点是异质性和动态过程。多源数据融合（MSDF）已成为一种有前景的解决方案，通过整合多种分析技术，为全面的食品安全分析提供了增强的能力。
范围与方法：本综述系统地考察了多源数据融合在食品污染物检测中的策略和应用，重点关注关键分析技术的整合，包括光谱方法（近红外、中红外、拉曼）、色谱分析、高光谱成像、电子鼻和化学分析。文章分析了各种融合架构和层次、预处理要求以及先进的数据分析技术，包括机器学习和化学计量学。通过详细的案例研究和比较分析，本综述评估了多源数据融合在食品安全监测不同应用中的有效性。
主要发现与结论：与单传感器方法相比，多源数据融合显示出更优越的性能，在检测农药、霉菌毒素、病原体和掺假物等各种污染物时实现了更高的灵敏度、特异性和可靠性。综述指出了关键的挑战，包括数据集成复杂性、计算需求、传感器漂移和模型可解释性。通过人工智能、边缘计算和物联网技术出现的新解决方案有望解决这些局限性。多源数据融合的成功实施需要标准化协议和跨学科合作。随着食品供应链变得越来越复杂，多源数据融合在确保食品安全方面的作用将变得更加关键，并得到传感技术、数据分析和人工智能持续创新的支持。 -
机器学习支持的电子鼻与高光谱成像技术在食品安全评估中的进展：综述
查看原文
2025
Food Research International
中科院一区JCR一区
Mogos Girmatsion, Xiaoqian Tang, Qi Zhang & Peiwu Li
食品标签
食品安全与风险评估 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 深度学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 时序传感器/物联网数据对食品污染和掺假等威胁的日益关注，促使了电子鼻（e-nose）和高光谱成像（HSI）等先进技术的采用，这些技术正越来越多地通过机器学习创新得到增强。本文旨在通过结合电子鼻、高光谱成像技术以及机器学习算法的见解，对食品安全进行全面综述。首先，简要讨论了电子鼻、高光谱成像和机器学习的基本原理，特别强调了人工神经网络（ANN）和深度学习（DL）。接着，综述探讨了机器学习如何提升电子鼻和高光谱成像的性能，随后深入探索了这些技术在检测食品危害方面的最新应用，包括药物残留、微生物污染物、农药残留、毒素和掺假物质。然后，重点指出了机器学习、电子鼻和高光谱成像在应用中遇到的主要限制，以及这些技术未来潜在发展的前景。在机器学习的辅助下，电子鼻和高光谱成像技术在食品安全评估中显示出巨大的应用潜力。尽管如此，它们的使用主要局限于实验室环境，限制了其在实际场景中的应用。此外，缺乏标准化协议也阻碍了它们在食品安全评估中的接受度和测试的可重复性。因此，需要进一步的研究来解决这些限制，并提高电子鼻和高光谱成像技术在实际应用中的有效性。最终，本文提供了对这两种技术的详细理解，突出了机器学习的关键作用，并展示了它们在食品安全评估中的创新应用见解。
-
人工智能在快速测定药品含水量中的应用 食品同源性物质
查看原文
2025
Food Chemistry
中科院一区JCR一区
Mengyu Zhang, Boran Lin, Shudi Zhang, Cheng Peng, Chang Li, Tingting Feng, Lian Li, Aoli Wu, Chunguo Yang, Wentian Wang, Shouyao Huang, Lei Nie & Hengchang Zang
食品标签
品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 常量营养素（宏量）计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据含水量在药物的质量检测中至关重要，食品同源性物质。本研究旨在基于近红外光谱学提出一种新的含水量建模方法。在比较三种偏最小二乘回归、支持向量回归和卷积神经网络（CNN）三种方法来构建三种不同物质的含水量预测模型时，发现准确性受系统误差影响且较低。因此，本研究整合了三种物质的含水特性带数据，建立了通用模型。最优预测模型是SSA-CNN-BiLSTM。测试集的RMSEP值分别为0.3568%、0.2057%和0.0029%，RPD值分别为10.26、2.30和5.60。该研究的创新之处在于上述方法提高了建模的准确性和效率。它消除了每种物质单独建模时的系统性错误，简化了建模过程，并扩大了模型应用的范围。
