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 39 条结果
-
基于多源风味信息融合的大米霉变过程分阶段品质鉴别研究
查看原文2025
Food Control
中科院一区JCR一区Tong Chen, Haiyu Li, Guangwei Huang, Yongzhi Hu, Hecheng Meng, Huan Chen & Ziyu Wei
食品标签
大米 保藏与贮藏 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定和气相色谱 - 离子迁移谱技术(GC-IMS),分析大米霉变过程中挥发性有机化合物(VOCs)的变化特征。研究采用数据级融合与特征级融合两种方法对两类 VOCs 数据进行融合处理,并结合多项理化指标的聚类分析结果,运用正交偏最小二乘判别分析(OPLS-DA)建立霉变阶段判别模型。理化指标聚类分析结果表明,大米霉变过程可划分为 6 个阶段。基于数据级融合的 OPLS-DA 模型在区分不同霉变阶段时表现出最优效果,其拟合优度(R²)达 0.98,预测优度(Q²)为 0.93。综上,GC-MS 与 GC-IMS 技术联用可有效鉴别大米霉变的早期阶段,为大米霉变过程中的品质快速无损检测提供了重要参考。
-
采后贮藏期间松茸新鲜度的多维检测与预测建模
查看原文2025
Food Research International
中科院一区JCR一区Yun Li, Lin Yang, Yahui Zhu, Laizhao Guo & Xiang Wang
食品标签
食用菌菇 保藏与贮藏 品质、结构与理化性质 货架期预测与品质劣变动力学 感官评价与方法学 常规理化指标测定 质构与流变测试 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据松茸是一种极易腐坏的食用真菌,其新鲜度在很大程度上决定了自身商业价值,但目前现有的新鲜度评价方法仍存在主观性强或指标不全面的问题。感官评分无法表征松茸理化性质的变化,单一检测分析技术也难以完整描述其腐败动态过程。为解决这一研究短板,本研究构建一套多维度综合分析体系,融合感官评定、质构特征检测、电子鼻信号响应、气相色谱-质谱联用(GC-MS)检测及氨基酸组分分析,并结合偏最小二乘回归(PLSR)模型实现松茸新鲜度的连续动态预测。
分别在2℃与20℃条件下开展控温贮藏试验,结果表明松茸腐败变质程度存在显著温度依赖性。贮藏终点松茸硬度在2℃下下降85.7%,20℃下下降96.0%;咀嚼性分别降低32.0%、71.1%,黏附性涨幅超103倍。贮藏至第15天时,2℃组水分流失率为31.4%,20℃组水分流失率达67.5%。挥发性风味组分分析显示,松茸贮藏过程中醛类、醇类物质不断累积,而C8醇类物质1-辛烯-3-醇含量持续下降。低温贮藏条件下精氨酸前期快速损耗,该物质结合电子鼻5号传感器响应值与1-辛烯-3-醇,可构成一组精简有效的松茸新鲜度生物标志物组合。
构建的偏最小二乘回归模型在2℃、20℃贮藏条件下决定系数R²分别为0.94、0.93;配对t检验结果显示模型预测值与感官评分无显著差异(p > 0.05),F检验证明各组数据方差齐性良好(p > 0.59)。该多维度综合检测方法为松茸新鲜度评估提供客观、数据化技术支撑,同时筛选出可实际应用的特征标志物,助力松茸智慧冷链管控体系落地实施。 -
利用机器学习优化菜籽蛋白明胶增强型食品保鲜涂料
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Frage Abooleesh, Muhammad Zubair & Aman Ullah
食品标签
豆类与坚果(及籽类) 新鲜水果 生物基/可降解材料 保藏与贮藏 货架期预测与品质劣变动力学 包装设计与机械性能 过程优化与控制策略 其他理化与结构表征 蛋白质与氨基酸计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化 中等规模数据集 合成/仿真数据为主 质构/流变/感官数据优化组分比例对提升生物塑料配方性能至关重要。传统优化方法耗时费力,而数据驱动方法需要大量数据集。为此,我们将13个实验数据点扩增至1,000个,显著提高了机器学习(ML)模型的预测精度。本研究采用三种ML模型优化由纤维素纳米晶体(CNC)增强、柠檬酸交联的油菜蛋白-明胶纳米复合材料配方,各模型均表现出卓越的预测性能(R²:0.9517-0.9998;均方误差:0.0001-0.5537;平均绝对误差:0.0018-0.4221)。最佳配方(1:1:5.5:3.87)制得的薄膜具有28.94±1.18 MPa的拉伸强度、22.61±2.12%的断裂伸长率和4.40±0.04 g·mm/(d·m·kPa)×10的水蒸气透过率。基于该配方的薄膜作为水果涂层应用时显示出延长的货架期,验证了其实际应用价值。研究表明,生成数据的整合能增强机器学习预测性能,捕捉输入与输出变量间复杂的非线性关系,从而平衡生物聚合物薄膜的机械性能与阻隔性能。本工作通过提供加速可持续生物基塑料开发的路径,凸显了数据生成与机器学习在材料科学中的潜力。
-
基于频率学习网络荟萃分析与共深度点定位识别筛选并验证火龙果高效保鲜方法:1-甲基环丙烯、香芹酚与赤霉酸
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Geng Liu, Jieyu Li, Xiaoyu Hong, Ziqin Bai, Qing Tan, Chenlan Li, Qiqiao Pan, Hui Luo & Wei Xue
食品标签
新鲜水果 保藏与贮藏 其他品质相关性质计算机标签
其他深度学习结构 卷积神经网络 分类/鉴别/等级评定本研究验证了荟萃分析结合共深度点定位识别在筛选植物保鲜方法及创新联合使用保鲜策略方面的可行性,指出了偏差产生的原因,优化了网络荟萃分析的计算方法,并探究了在两种方法结合下筛选出的联合处理在实际应用中的有效性。研究采用贝叶斯随机效应模型结合频率学习网络(FLN)的荟萃分析,比较了28种不同干预措施对火龙果的保鲜效果,并针对火龙果贮藏期间的单一品质指标筛选出最佳干预措施。我们将比较后权重最高的两种处理相结合,通过实验以及经共深度点定位识别验证后发现,1-甲基环丙烯(1-MCP)+香芹酚(CVR)联合赤霉素(GA3)浸泡处理在抑制火龙果采后腐烂和保持贮藏期间品质方面,比单独使用1-MCP+CVR处理或单独采用GA3浸泡处理的效果更好。
-
机器学习支持的高光谱方法,用于冷藏期间预煮面条的结构表征
查看原文2024
Food Chemistry
中科院一区JCR一区Hyukjin Kwon, Jeongin Hwang, Younsung Cho, & Suyong Lee
食品标签
方便面及速食米面 保藏与贮藏 光谱/色谱/质谱等分析方法 传统统计分析与回归 品质、结构与理化性质计算机标签
支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱利用高光谱成像(HSI)技术结合传统分析方法,对预煮面条在冷藏储存过程中的结构特征进行了无损性表征。预煮面条在储存期间表现出更硬的质地,且水分流动受限,这主要源于淀粉的再结晶。降维技术揭示了储存时间与面条HSI吸光率之间的强强相关性,从载荷图中,可识别出与结构变化相关的面条特定峰值,波长约为1160至1400纳米。通过对四个机器学习模型对HSI数据进行训练,确认了面条HSI结果与其储存期/质地之间的强烈关联。特别是,支持向量算法在按储存时间分类预煮面条和预测面条质地方面表现出最佳预测性能(98.3%),且在预测面条质地方面表现最佳(R)2= 0.914)。