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 276 条结果
-
通过两阶段超声处理策略提高酵母蛋白的生物可及性和界面功能特性:贝叶斯优化、结构表征与动力学研究
查看原文2026
Food Hydrocolloids
中科院一区JCR一区Siliang Wu, Yuting Liu, Wen Li, Kewei Chen, Yihan Mu, Mouming Zhao, & Guowan Su
食品标签
蛋白质配料 物理辅助加工 过程优化与控制策略 品质、结构与理化性质 营养与生物功能 常规理化指标测定 响应面分析与多因素优化 体外模型 蛋白质与氨基酸计算机标签
随机森林 定量预测/回归分析本研究开发了一种数据驱动的两阶段超声策略,以改善酵母蛋白(YP)的功能特性和消化性能。首先采用Box–Behnken设计确定最佳单阶段超声条件,随后结合随机森林与贝叶斯优化,筛选出先以180 W处理5 min、再以520 W处理5 min的低功率至高功率两阶段方案。与未处理YP和最佳单阶段超声处理YP相比,两阶段超声处理YP具有更高的溶解性、体外消化率、界面功能特性以及持水和持油能力。结构分析表明,单阶段超声处理引起了更明显的结构破坏,而两阶段超声处理形成了更为平衡的结构状态,表现为粒径更小、荧光强度和表面疏水性更高、二硫键含量降低、热转变活化能下降,以及消化过程中结构演变更加协调。上述结果表明,两阶段超声是一种改善酵母蛋白功能特性和消化性能的有效且可控的策略。
-
用于快速检测甘薯淀粉中掺假物的可解释机器学习辅助近红外光谱
查看原文2026
Food Control
中科院一区JCR一区Mengmeng Li, Linna Guo, Mengyu Zhang, & Yujie Wang
食品标签
玉米 马铃薯 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 红外/拉曼光谱数据红薯淀粉( SPS )因其丰富的营养成分而广泛应用于食品行业。在经济激励的推动下,较便宜的植物淀粉有时会被非法混合到SPS中,最著名的是木薯淀粉( CAS )、玉米淀粉( CS )和马铃薯淀粉( PS )。绿色和快速评估SPS中的此类掺假仍然具有挑战性。在这里,我们提出了近红外光谱( NIR )和可解释的机器学习工作流程,用于SPS中CAS、CS和PS掺杂的分类和量化。主成分分析( PCA )表明,SPS与其他淀粉之间的光谱分离随着掺杂水平的增加而增加。监督随机森林( RF )和极端梯度提升( XGB )分类器可以准确区分淀粉类型。在测试集上,XGB分类器的准确度为0.86 ,精确度为0.86 ,召回率为0.86 ,F1分数为0.85。此外,SPS中掺杂物浓度的定量模型实现了高性能。XGB回归模型为CAS、CS和PS提供了最佳结果,相对预测偏差( RPD )分别为3.21、3.38和4.02。基于Shapley加性解释( SHAP )的特征分析阐明了关键光谱变量对模型输出的影响,为建模过程提供了更深入的见解。总体而言,这项研究为SPS质量评估提供了一种绿色、快速的方法,有助于维护市场公平和消费者信心。
-
基于机器学习识别发酵南瓜汁菌株特异性香气标志物:整合 1D-CNN 与随机森林方法
查看原文2026
LWT
中科院一区JCR一区Yun Cen, Xingye Sun, Qingyang Zhang, Weiye Cheng, Xiaoming Pan, Hansheng Gong, Chen Yu, Wenli Liu, Xiaoping Liu, Kanghee Ko, & Huamin Li
食品标签
果蔬汁/浓缩汁 食用菌菇 特征风味 发酵工艺与动力学 多酚与黄酮计算机标签
卷积神经网络 随机森林 定量预测/回归分析 质构/流变/感官数据本研究考察了 Levilactobacillus brevis、Lactiplantibacillus plantarum 和 Leuconostoc citreum 对 30 摄氏度发酵 12 h 南瓜汁风味和功能特征的影响。研究采用整合随机森林和一维卷积神经网络的框架,并通过 SHAP 解释,识别菌株特异性代谢差异和挥发性模式。在该实验室规模发酵条件下,Leu. citreum PX3-5 产生了更优特征,显著提高总酚(54.61 mg GAE/kg)和黄酮(79.64 mg RE/kg)含量,同时增强奶油/黄油样气味(acetoin OAV = 3.99,2,3-butanedione OAV = 3.08)。相反,L. plantarum HY1-3 以明显花香特征为主(beta-ionone OAV = 31.07),Lb. brevis PL6-1 则赋予蘑菇/泥土样气味(1-octen-3-ol OAV = 4.69)。整合 RF-CNN 模型稳健识别出 acetoin 和 2-heptanone 作为差异标志物。值得注意的是,CNN 在局部关联模式中突出 acetoin,提示其可能与柠檬酸代谢相关。这些化学属性与受训感官小组(n = 13)评价的 PX3-5 组感官特征相一致,说明模型识别的挥发性标志物与观察到的感官偏好具有一致性。本研究为开发高附加值南瓜产品提供了数据驱动依据,并提出了解析发酵植物基食品复杂风味系统的分析策略。
-
机器学习驱动的风味组学:解码储存婴儿配方奶粉中阶段特异性挥发性化合物动态及感官退化
查看原文2026
Food Chemistry
中科院一区JCR一区Jianfeng Wang, Mengyuan Yang, Yanmei Xi, Weizhe Wang, Lunaike Zhao, Shuyuan Xue, Yufang Su, Baoguo Sun, & Nasi Ai
食品标签
乳粉 保藏与贮藏 货架期预测与品质劣变动力学 氧化、褐变等化学变化 特征风味 风味组学 脂质与脂肪酸 其他植物化学物质计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 组学数据 质构/流变/感官数据婴儿配方奶粉(IF)是婴儿的重要营养来源。然而,其感官质量在长期存储过程中会下降,影响消费者的接受度。本研究通过整合风味组学、脂肪酸动态变化和机器学习,探讨了IF在储存期间特定阶段的感官劣化机制及预测模型。定量描述性分析识别出驱动质量下降的六个关键属性,其中单阶段IF表现出最早和最显著的下降。挥发性化合物分析显示,醛类(己醛、辛醛)和酮类是主要的异味标志物,与脂质氧化途径相关。脂肪酸分析显示,多不饱和脂肪酸,特别是亚油酸和α-亚麻酸的降解,是异味生成的关键驱动因素。仅使用六种脂质氧化衍生的挥发物,随机森林和XGBoost模型就能准确预测特定阶段的感官评分(R² > 0.85),直接将脂肪酸氧化与风味恶化联系起来。这项工作确立了脂质氧化为主要的降解机制,并提供了用于保质期优化的实用数据驱动工具。
-
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。