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 339 条结果
-
辣木(Moringa oleifera Lam.)种子蛋白淀粉样原纤维自组装机制解析:整合肽组学与人工智能的多尺度研究
查看原文2026
Food Hydrocolloids
中科院一区JCR一区Xiaoze Liu, Jin Zhang, Lang Wang, Tao Fei, Xue Lin, & Lu Wang
食品标签
豆类与坚果(及籽类) 蛋白质配料 加工与新加工技术 质构与流变性质 微观结构与成像 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 蛋白质组学 蛋白质与氨基酸计算机标签
深度学习 定量预测/回归分析 组学数据植物蛋白原纤维正日益被用于食品结构构建和可持续材料制造。辣木种子蛋白(MOSP)作为一种新型植物蛋白资源,具有形成淀粉样原纤维的显著潜力。本研究旨在考察 MOSP 向淀粉样原纤维(AFs)的转化过程,并探究其内在转化机制。硫黄素 T(ThT)动力学和刚果红结合试验证实,该过程遵循成核依赖型生长机制,表现出典型的 S 形曲线和随时间变化的光谱位移。圆二色谱和傅里叶变换红外光谱分析显示,MOSP 的二级结构发生了显著转变,由以 α-螺旋为主转变为富含 β-折叠的组装体;透射电子显微镜(TEM)和原子力显微镜(AFM)则捕捉到了其形态由球状聚集体向成熟、相互缠结的原纤维网络演变的过程。MOSP 淀粉样原纤维表现出优异的溶解性;随着处理时间延长,其黏度和黏弹性均得到增强。为阐明该组装过程的分子基础,研究将肽组学与基于深度学习的淀粉样折叠预测工具 RibbonFold 相结合。肽组学分析发现,肽段随时间推移呈现疏水性增强的变化趋势,并确定若干长度为 15~19 个氨基酸残基的特定肽段是具有较高结构形成倾向的“主要构建模块”,其平均 TM-score 约为 0.68;其中序列 ISVGNAVPVWYNM 的 TM-score 达到 0.89054。酶切位点富集分析表明,酸性条件可促进天冬氨酸相邻肽键的断裂,释放出的疏水片段可能通过疏水塌缩和芳香相互作用驱动 β-折叠堆积。本研究为 MOSP 原纤维化提供了一个多尺度研究框架,并为蛋白质基功能性纳米结构的合理设计奠定了理论基础。
-
SpecColorNet:用于预测多个梨品种可溶性固形物含量的可解释多模态深度学习方法
查看原文2026
Artificial Intelligence in Agriculture
中科院一区JCR一区Xin Xu, Mengfei Yang, Jie Yang, Hao Yin, Yanyu Chen, Weijie Lan, Guoxiang Sun, Xiaochan Wang, Shaoling Zhang, & Xiaolei Zhang
食品标签
新鲜水果 品质、结构与理化性质 颜色与外观品质 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
深度学习 模型可解释性 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据 质构/流变/感官数据可见光/近红外光谱为评价梨(Pyrus pyrifolia Nakai)的可溶性固形物含量(SSC)提供了一种无损方法。然而,不同梨品种之间的差异,特别是果皮颜色差异,会显著影响光谱反射率,从而限制SSC模型的跨品种预测能力。为解决这一问题,本研究开发了SpecColorNet,这是一种融合光谱数据与果皮颜色数据的多模态深度学习框架,可同时准确预测六个不同梨品种的SSC,并利用梯度加权类激活映射++(Grad-CAM++)解释其决策机制。与仅使用光谱数据的多品种模型相比,多品种SpecColorNet的预测准确率提高了9.42%;六个梨品种对应的预测均方根误差(RMSEP)分别为0.63、0.60、0.92、0.70、0.54和0.55 °Brix。此外,SpecColorNet的预测准确率与分别针对单一品种建立的光谱模型相当。解释性分析表明,SpecColorNet能够将模型注意力有效集中于555–640 nm光谱区域,该区域也是不同品种间差异最显著的波段,从而提高了模型的泛化能力和预测准确性。总体而言,本研究提出了一种面向多个梨品种的稳健SSC预测方法,克服了品种多样性和果皮颜色变化造成的困难,使多品种模型比纯光谱模型具有更强的稳健性。
-
基于 AI 驱动的多层策略与精制数据集挖掘牦牛骨胶原水解物中的抗氧化肽
查看原文2026
Food Research International
中科院一区JCR一区Yali Wang, Jiaqing Yang, Baishan Fang, Kangxu Wang, Yousi Fu
食品标签
内脏及副产物 抗氧化/抗炎等功能 副产物与废弃物高值利用 光谱/色谱/质谱等分析方法 蛋白质组学 其他体外模型 数值仿真 蛋白质与氨基酸计算机标签
机器学习/统计学习 深度学习 大语言模型 定量预测/回归分析 组学数据 文本/知识库/法规数据 多模态/融合数据胶原蛋白源生物活性肽具有多种生物活性,但其从复杂水解物中快速鉴定仍是一大挑战。本研究构建了一种多层框架,结合蛋白质语言模型嵌入(ESM-2)、机器学习、分子对接及体外验证,从胶原蛋白酶解产物中鉴定抗氧化肽。研究整理了2020年至2025年5月间经实验验证的抗氧化肽(命名为AoXpDb),并与公共数据库整合,构建了大规模均衡数据集用于模型训练。在各类嵌入方法中,ESM-2(2560维)在预测精度与计算效率之间取得了最优平衡。通过机器学习筛选从水解物中预测出七十条候选肽,后续分子对接及体外实验证实其中九条具有抗氧化活性。上述结果表明,将蛋白质语言模型与计算及实验筛选相结合,可实现功能肽的精准高效鉴定,为人工智能辅助抗氧化肽挖掘提供了可推广的框架。
-
基于近红外光谱校正的包装库尔勒香梨内部品质创新检测方法
查看原文2026
LWT
中科院一区JCR一区Quan Xu, Hong Zhang, Hong Zhang, Shengkun Dong, Haonan Xue, Jingchi Guo, Haipeng Lan, & Yang Liu
食品标签
新鲜水果 品质、结构与理化性质 包装与智能监测 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
深度学习 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据在库尔勒香梨分级过程中,测量内部品质时必须去除包装,这一低效过程严重降低了检测效率。因此,在包装状态下实现品质的高效无损检测是解决该问题的关键。本研究分别将全连接神经网络与 Gaussian Filtering、Savitzky-Golay 和 Simple Moving Average Filter 结合,用于校正包装香梨的光谱数据。同时,基于校正后的光谱数据,构建了三种用于预测多产地库尔勒香梨可溶性固形物含量和硬度的模型:偏最小二乘回归、支持向量回归和 Lasso。结果表明,FCNN-GF 校正方法表现最佳,PLSR 具有最佳预测性能。PPs-FCNN-GF-PLSR 对 SSC 和 FI 的预测结果分别为 R2_pre(0.84、0.78)、RMSE_pre(0.449%、0.379 N)和 RPD(2.48、2.16),接近未包装香梨的预测水平。在外部独立验证中,SSC 和 FI 的预测结果分别为 R2(0.83、0.75)、RMSE(0.276%、0.252 N)和 RPD(2.30、1.89)。本研究实现了包装状态下香梨品质指标的高效检测,对简化库尔勒香梨品质分级流程和提升经济效益具有重要实践价值。
-
基于高光谱成像和深度学习技术的草莓果实早期碰伤自动检测
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Chanjun Sun, Lei Zhang, Lixiang Zhai, Tingting Shen, Jianrong Cai, Xiaobo Zou, & Zhiming Guo
食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 显微与成像技术计算机标签
深度学习 偏最小二乘法 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据草莓因其感官品质而受到消费者喜爱。然而,其组织结构柔嫩,在采后处理过程中容易发生机械损伤(如碰伤)。这些不明显的损伤会在运输和贮藏过程中加速微生物感染和腐败。因此,早期无损检测碰伤对于商品草莓品质保障至关重要。本研究探讨了利用高光谱成像快速检测草莓早期碰伤的可行性。首先建立基于全波长(460-1030 nm)的偏最小二乘-线性判别分析(PLS-LDA)模型用于草莓碰伤判别,准确率达到 99.21%。为提高检测效率,分别通过 RGB、子窗口置换分析(SPA)和随机蛙算法(RF)各选择 3 个特征波长。基于 SPA 和 RF 特征波长的模型获得了与全波长模型相当的性能。随后,研究基于特征波长合成图像,利用 YOLOv5 模型实现碰伤位置自动识别,F1 分数超过 93.03%。结果表明,高光谱成像结合特征波长是快速检测早期碰伤的有效工具,YOLOv5 模型能够实现草莓碰伤区域的自动识别。