01 / 01

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
暂无筛选

标签记录(计算机学者)

机器学习/统计学习

共 712 条结果

  • 结合ACE、PLSR和SVMR利用漫反射红外傅里叶变换光谱快速检测藏红花掺假

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Mohammadreza Khanmohammadi Khorrami, Morteza Ahmadvand Shahverdi, Melika Asadian, Maryam Shirinnejad, Mahsa Mohammadi, Arefeh Zarei Shirian & Zahra S. Hajiseyedrazi

    食品标签

    食用花卉 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 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据

    准确评估藏红花纯度对于保障产品真实性至关重要,尤其是在存在常见化学掺假物(如酒石黄、日落黄和喹啉黄)的情况下。本研究提出了一种创新的化学计量学方法——将交替条件期望(ACE)算法与漫反射傅里叶变换红外光谱(DRIFTS)相结合,以应对这一挑战。ACE算法通过对自变量和因变量进行最优变换,揭示变量间的非线性关系,并在变换后的变量之间最大化线性效应。为构建ACE模型,首先对光谱数据进行预处理,包括移动平均平滑和标准正态变量变换(SNV)。随后,采用Duplex算法从预处理后的数据矩阵中分别选取校正集和预测集。通过多个评价指标对ACE模型的性能进行评估,包括决定系数(R²)、调整后决定系数(R²adj)、残差平方和(SSE)、回归平方和(SSR)以及均方误差(MSE)。结果表明,ACE模型在校正集和预测集中均表现出优异的性能,即使在存在酒石黄、日落黄和喹啉黄等掺假物的情况下,也能准确测定藏红花含量。在校正集中,模型获得了很高的R²值(0.9951),表明预测值与实测藏红花含量之间具有极强的相关性;而调整后的R²(R²adj = 0.9950)进一步证实了该结论,说明模型在考虑复杂度后仍能有效避免过拟合。此外,模型的稳健性也得到了验证。通过计算ACE模型的各项统计参数——总平方和(SST = 1.103104)、回归平方和(SSR = 1.098104)、残差平方和(SSE = 54.414)以及均方误差(MSE = 0.878)——对所开发方法在各混合样品中测定藏红花浓度的性能进行了比较。这些结果共同表明,所提出的ACE-DRIFTS方法在藏红花纯度检测方面具有高准确性与可靠性。

  • 基于机器学习的郫县豆瓣鲜味肽探索:虚拟筛选、分子对接及翻译后修饰的启示

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Sen Mei, Liangyu Zhang, Yajie Li, Xiaoqian Zhang, Weili Li & Tao Wu

    食品标签

    发酵豆制品 品质、结构与理化性质 动力学建模 蛋白质与氨基酸

    计算机标签

    机器学习/统计学习 分类/鉴别/等级评定 组学数据

    郫县豆瓣(PXDB)独特的鲜味特征主要归因于其独特的肽段;然而,其结构特征、感觉机制及衰老过程中的生物合成途径仍不甚明了。本研究采用机器学习方法研究1至2岁陈酿的PXDB中的鲜味肽。我们鉴定了117种肽,预测其中69种具有鲜味潜力。感官分析确认了VEGGLR鲜味阈值极低(0.22 mmol/L)。分子对接进一步阐明了VEGGLR通过盐桥和氢键与T1R1/T1R3受体的相互作用,增强了鲜味感知。观察到的翻译后修饰,包括蛋白N6U2M1/N6UWT4上的磷酸化和乙酰化,暗示其在鲜味肽生物合成中具有潜在调控作用。这些发现为PXDB鲜味的形成提供了关键的分子层面见解,加深了我们对其风味化学的理解。

  • 数字图像处理结合机器学习:蜜蜂花粉分类的新方法

    2025
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Caroline Simão, José Elton de Melo Nascimento, Vagner de Alencar Arnaut de Toledo, Vanderlei Aparecido de Lima & Maria Lurdes Felsner

    食品标签

    其他新资源食材 品质、结构与理化性质 显微与成像技术

    计算机标签

    机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据

    蜜蜂花粉的分类对于确保产品真实性、质量控制和防止欺诈至关重要,尤其是鉴于无刺蜂罐装花粉的高商业价值。尽管传统的花粉分析方法可用,但它们通常耗时且复杂。为应对这一挑战,本研究整合数字图像处理和机器学习,基于颜色模式高效分类由意大利蜜蜂生产的蜂粮和无刺蜂物种的罐装花粉。共收集了来自五种蜜蜂(意大利蜜蜂、缘边麦蜂、四带麦蜂、双斑盾齿蜂和棒腹四蜂)的246份蜂粮和罐装花粉样本,并使用智能手机拍摄高分辨率图像。分析了从图像中提取的R、B、H和V等颜色参数,并测试了采用CatBoost、XGBoost、随机森林和k近邻算法的分类模型。在这些模型中,CatBoost实现了最高性能,训练阶段准确率达100%,测试阶段达98.9%。线性判别分析进一步验证了分类结果,将花粉样本分为与研究蜜蜂物种相对应的五个不同簇。XGBoost和随机森林的测试准确率分别为77%和78%,kNN也达到78%。这些结果表明,数字图像处理与机器学习相结合为不同蜜蜂物种的花粉分类提供了一种有效方法,在养蜂业中具有确保产品质量和真实性的应用前景。

  • 微生物碳水化合物工厂的智能设计:集成底盘-工具-策略框架

    2025
    Journal of Agricultural and Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Shuo Zhao, Xinghui Xie, Yuxiang Yang, Haibo Yu, Jing Wang, Lin Luo & Xingtao Zhou

    食品标签

    碳水化合物配料 加工与新加工技术 可持续性与资源高值化 过程优化与控制策略 微生物与发酵实验 其他统计建模方法 碳水化合物与糖类

    计算机标签

    机器学习/统计学习 设计/生成与推荐 文本/知识库/法规数据 合成/仿真数据为主

    碳水化合物作为单糖通过糖苷键连接形成的天然聚合物,是食品、医药、农业和化工等领域应用广泛的生物分子。传统生产主要依赖提取或化学合成,而合成生物学的发展使微生物合成碳水化合物成为快速且环保的新途径。本综述提出构建碳水化合物合成微生物工厂的集成方法,首先阐明工业底盘菌株的生理代谢特性,系统评估用于预测建模和精准调控合成通路的计算与实验工具,进而分析涵盖通路优化、重构和动态调控的前沿代谢工程策略,最终建立碳水化合物生物合成系统智能设计的多维理论框架。

  • 通过FT-IR光谱评估奶牛群和行业相关因素对帕尔马干酪PDO奶酪制作性状的影响

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Arnaud Molle, Andrea Summer, Giorgia Stocco, Douglas Fernandes Barbin, Adriana Henriques do Nascimento Rangel, Paolo Ceresa & Claudio Cipolat-Gotet

    食品标签

    奶酪 品质、结构与理化性质 光谱/色谱/质谱等分析方法

    计算机标签

    机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据

    帕尔马雷吉亚诺原产地命名保护(PDO)奶酪因其生产体系特性,本身存在天然差异性,这也造成了奶酪制作原料牛乳在成分与理化性质上的不均一性。这种差异性会导致奶酪出品率及营养物质回收率出现波动。在常规生产实操中,无法对这些性状进行直接检测。因此,在各类间接分析技术中,红外光谱技术可依托乳品厂现场直接采集的牛乳光谱数据,实现对上述性状的预测。本研究旨在评估奶牛品种、养殖场、乳品加工厂及生产参数对奶酪加工性状预测效果的影响。研究采用分层交叉验证法,通过预测偏差量化该类差异性带来的影响。研究结果证实,不同乳品生产企业间存在显著差异,且奶牛品种的影响程度最大。将牛乳光谱与化学计量学方法相结合,可有效应用于帕尔马雷吉亚诺原产地命名保护奶酪的生产品质表征。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号