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 364 条结果
-
基于 UPLC-MS/MS 与 FT-NIR 的食用中药材中真菌毒素的筛查、风险评估及快速检测
查看原文2026
Food Research International
中科院一区JCR一区Kangnan Liu, Ling Fang, Yaling An, Zijun Tang, Wenjie Zhao, Chunqian Song, Lin Feng, Xiaokang Liu, Zhenwei Li, Daidi Zhang & De-an Guo
食品标签
其他果蔬制品/植物类 微生物安全 暴露评估与风险表征 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他统计建模方法计算机标签
支持向量机 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据食用中药材中的真菌毒素污染会因蓄积作用对人体健康构成重大威胁,并造成经济损失。本研究采用改良的QuEChERS结合超高效液相色谱-串联质谱(UPLC-MS/MS)方法,对1000批次、77种食用中药材进行19种真菌毒素的定性筛查。针对阳性率较高的三种食用中药材——淡豆豉(SSP)、白扁豆(LSA)和韭菜子(ATS),优化QuEChERS参数以定量检测十种最常见的真菌毒素,并采用蒙特卡洛模拟评估人体健康风险。此外,运用九种分类模型对淡豆豉中的杂色曲霉素(ST)和白扁豆中的黄曲霉毒素B2(AFB2)含量进行判别分析。定性筛查结果显示,65.20%的样品受到一种或多种真菌毒素污染,其中链格孢酚单甲醚(AME)、杂色曲霉素(ST)和链格孢酚(AOH)在所有样品中检出率最高。风险评估表明,长期食用受杂色曲霉素污染的淡豆豉、受黄曲霉毒素B2污染的白扁豆以及受链格孢酚单甲醚污染的韭菜子存在健康风险。淡豆豉和白扁豆的最优判别模型分别为支持向量机(SVM)和k近邻算法(KNN),其测试集的准确率、精确率、召回率和F1分数均为100%。在独立验证样本中,淡豆豉判别准确率达90%,白扁豆达100%。本研究证实食用中药材中真菌毒素污染普遍存在,其膳食风险不容忽视,并表明傅里叶变换近红外(FT-NIR)光谱结合机器学习在真菌毒素快速检测中具有良好应用前景。
-
融合荧光与可见-近红外吸收和散射特性改进天然污染花生油中 AFB1 预测
查看原文2026
Food Control
中科院一区JCR一区Xueming He, Yuanji Xiao, Yongnan Lu, Xiaoyun Yang, & Fang Zhang
食品标签
豆类与坚果(及籽类) 植物油 食品安全与风险评估 颜色与外观品质 光谱/色谱/质谱等分析方法 常规理化指标测定 多酚与黄酮计算机标签
循环神经网络 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据花生油在生产过程中容易受到黄曲霉毒素 B1 污染。针对霉变原料制备花生油中 AFB1 快速、无损、准确检测的挑战,本研究提出一种融合 AFB1 特征荧光光谱与可见光和近红外范围吸收系数、约化散射系数的方法,以减轻样品基质变化带来的干扰。研究通过理化分析追踪两种花生品种在 AFB1 污染下关键品质指标的变化。结果显示,随着 AFB1 污染增加,维生素 E 和多酚含量下降,而类胡萝卜素和叶绿素水平升高;同时油脂颜色参数和黏度也出现系统性变化。研究采用多层次数据融合策略,并结合支持向量回归、径向基函数神经网络和长短期记忆网络等机器学习与深度学习算法。基于荧光、可见光吸收系数和近红外吸收系数的最优特征组合,实现了 AFB1 含量高精度定量预测,预测集决定系数为 0.884,预测均方根误差为 42.244 μg/kg;同时可准确判别污染状态,预测集正确分类率为 97.14%。与单独使用激光诱导荧光光谱相比,数据融合后模型性能显著提升,验证了所提出多源光学特征融合方法用于天然污染花生油中 AFB1 快速无损检测的有效性和实用性。
-
机器学习辅助优化防风多糖的超声协同酶法提取及综合评价
查看原文2026
Ultrasonics Sonochemistry
中科院一区JCR一区Zeyu Li, Qian Li, Chaogui Hu, Feng Yang, & Fengxia Guo
食品标签
其他果蔬制品/植物类 物理辅助加工 过程优化与控制策略 品质、结构与理化性质 抗氧化/抗炎等功能 响应面分析与多因素优化 碳水化合物与糖类计算机标签
支持向量机 定量预测/回归分析防风(Saposhnikovia divaricata)是一种具有重要药用价值的常用药材,但其多糖研究仍较有限。本研究采用超声协同酶法提取防风多糖,并结合响应面法(RSM)和支持向量回归(SVR)模型优化提取工艺。SVR模型预测的最佳条件为料液比1∶13 g/mL、温度45 ℃、超声功率420 W、pH 4.5、超声时间35 min和酶添加量3%,在此条件下多糖得率达到11.82%。研究进一步比较了不同方法所得多糖的理化性质、结构特征和抗氧化能力,并采用熵权法进行综合评价。结果显示,超声协同酶法的综合表现最佳;糖醛酸含量、分子量和甘露糖水平是影响抗氧化效果的主要因素。本研究为防风多糖的高效提取及其生物活性应用提供了理论依据。
-
机器学习辅助拉曼光谱法快速分类与质量评价柑橘精油
查看原文2026
Current Research in Food Science
中科院一区JCR一区Yong-Xuan Hong, Jia-Wei Tang, Jie Chen, Yun-Yun Xie, Zhang-Wen Ma, Qing-Hua Liu, & Liang Wang
食品标签
香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
支持向量机 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据柑橘精油(EOs)需要准确的鉴别和评价,以确保其真实性与一致性。然而,气相色谱(GC)和质谱(MS)等传统技术耗时且成本较高,因此亟需开发新的分析方法。本研究提出了一种将拉曼光谱(RS)与机器学习(ML)算法相结合的精油检测方法。研究对六种柑橘精油开展蒸发实验,在五个时间点采集拉曼光谱,并以蒸发起始和结束时的GC-MS组成分析作为标准参照。研究构建了五种机器学习算法,用于区分不同精油并监测其随时间发生的变化,同时采用多项定量指标评价预测性能。结果显示,支持向量机(SVM)在各项预测任务中均表现最佳,可解释性算法还识别出了精油拉曼光谱中的关键组分。综上,RS-SVM是一种准确且经济高效的分析技术,可用于柑橘精油的快速鉴别和质量评价。
-
人工智能辅助筛选大豆品种:建立蛋白质组成与豆腐品质之间的联系
查看原文2026
Food Hydrocolloids
中科院一区JCR一区Menglin Han, Basanta Dhungana, Changhui Yan, Zhao Jin, Shahidul Islam, Jiajia Rao, Carrie Dottey, & Minwei Xu
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 质构与流变性质 常规理化指标测定 显微与成像技术 蛋白质与氨基酸计算机标签
支持向量机 随机森林 K-近邻 梯度提升决策树 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集精确控制大豆蛋白凝胶化对于保证豆腐生产的一致性至关重要,但现有品种筛选方法仍然缓慢、依赖经验,并且容易产生批次间差异。本研究首次提出一种专门用于豆腐品质评价的人工智能辅助平台,可将包含 170 个大豆品系的多样化材料群体所产生的 SDS-PAGE 蛋白质指纹,快速、客观地转化为豆腐品质预测结果。该流程利用计算机视觉对蛋白质亚基进行数字化处理,并结合优化的支持向量机(SVM)分类器,弥合了生化分析与功能性食品品质之间的关键差距。研究根据硬度、产率、水分含量、蛋白质含量和质构特性等多项品质指标进行层次聚类,将大豆种子划分为三类豆腐品质类型:质地坚实型、高产率型和高水分型。这些类别名称反映了各组最突出的特征。该方法的分类准确率达到 82%,优于 k 近邻、决策树、随机森林和梯度提升算法。特征权重分析表明,11S A3 和 B 亚基是决定豆腐凝胶形成与质构的重要因素,而 7S α′ 亚基则有利于水分保持和形成较柔软的质构。总体而言,该流程可将原本需要数月完成的台式豆腐试制压缩为数分钟的图像分析,为育种人员提供客观的基因型排序指标,也为加工企业提供基于化学组成的质量规格工具。本研究将该框架视为一个中试规模的预测模型,为未来的大规模应用奠定基础。除豆腐外,该平台还为植物蛋白水胶体的数据驱动设计提供了一种可迁移的技术范式,有助于在不断扩大的植物基食品领域快速实现清洁标签产品的质构设计。