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
标签记录（计算机学者）
共 712 条结果
-
使用VIS/NIR高光谱成像评估影响牛肉储存期间新鲜度的生物标志物
查看原文
2025
LWT
中科院一区JCR一区
Azfar Ismail, Seongmin Park, Hye-Jin Kim, Minwoo Choi, Hyun-Jun Kim, Heesang Hong, Ghiseok Kim, & Cheorun Jo
食品标签
畜肉 货架期预测与品质劣变动力学 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱利用可见/近红外高光谱成像（VIS/NIR HSI）检测了在储存过程中影响牛肉新鲜度的生物标志物。来自三头牛的共18块眼肉被真空包装，并在4 ± 2°C下湿熟储存27天。在此期间，新鲜度得以维持，这可以通过pH显著下降、颜色稳定，以及总菌落数（TBC）和挥发性碱性氮（VBN）分别保持在5.78 Log CFU/g和14.47 mg/100 g以下的变质阈值来证明。代谢物分析显示新鲜度指标--乙醇、5′-肌苷酸、乙酸、组胺--与TBC和VBN值之间存在相关性，凸显了它们在新鲜度中的重要性。将高光谱成像（HSI）与偏最小二乘回归（PLSR）结合证明比人工神经网络在预测代谢物谱并将其与质量性状相关联方面更可靠，确认了其在肉类质量监测中的有效性。使用PLSR时，TBC模型的性能相似（HSI为R²=0.77，代谢物预测为R²=0.74），而VBN的性能从R²=0.63显著提高到使用预测的代谢物数据的R²=0.81。这种整合对于在湿式熟成过程中监测牛肉质量以及制定有效的评估策略至关重要。
-
使用可见光-近红外和傅里叶变换红外高光谱成像及机器学习技术对巧克力开花的监测与预测：关于调温和储存影响的研究
查看原文
2025
LWT
中科院一区JCR一区
Hilmi Eriklioglu, Rosario del P. Castillo, & Mecit Halil Oztop
食品标签
巧克力及含可可制品 货架期预测与品质劣变动力学 颜色与外观品质 显微与成像技术 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 支持向量机 K-近邻 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据巧克力开花是巧克力行业的主要问题之一。脂肪开花是最常见的巧克力开花类型。当开花发生时，由于不愉快的外观和不理想的质地，客户满意度会显著下降。开花的原因通常是缺乏调温或储存条件不佳。由于开花会随着时间发生，因此尤其在早期阶段很难检测。因此，有必要开发工具来监测巧克力在初期阶段的开花情况并预测开花阶段。高光谱成像是一种非破坏性的成像技术，可以揭示与物理和化学结构相关的差异。在本研究中，收集了商业巧克力样品并将其融化以生产未经调温的巧克力。所有样品都被重新模制成硬币大小的巧克力片，并在30天内拍摄了高光谱图像。结果显示，通过使用线扫描、可见-近红外超光谱相机（400 - 1000 nm），可以观察到调温巧克力、非调温巧克力以及不同储存时间之间的光谱特征差异。通过使用化学计量学方法如k近邻（KNN）、支持向量机（SVM）和人工神经网络（ANN）评估预测准确性。三种方法均显示出高性能，但使用Savitzky-Golay（SG）二阶导数预处理的神经网络正确预测了99%的样品。此外，傅里叶变换红外（FT-IR）成像证实了开花和未开花区域之间的成分变化。对获得的图像进行多变量曲线解析-交替最小二乘法（MCR-ALS）分析揭示了开花和未开花区域的显著光谱贡献，突出了与脂肪迁移相关的成分变化。高光谱成像与化学计量学的整合使得开花阶段的早期检测和监测成为可能，为实时巧克力质量控制提供了潜在的解决方案。
-
一种全面的无靶向特征策略，用于区分黄芪基的地理起源，将质谱数据、分子网络和碰撞截面测量与化学计量分析整合
查看原文
2025
Food Chemistry
中科院一区JCR一区
Linyan Wang, Meihong Ding, Qingzhong Lai, Haofang Wang, Yang Guan & Changyu Li
食品标签
其他添加剂与配料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮 碳水化合物与糖类计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据黄芪豆因其在药用和食用中的双重用途而闻名。本研究采用了综合方法，结合了超高性能液相色谱/离子迁移率四极杆飞行时间质谱、内部文库匹配、碎片离子鉴定、分子网络和碰撞截面预测，以评估黄耆基数质量。基于该方法，成功鉴定了130种化合物，分为38种皂苷、68种类黄酮、10种氨基酸、5种有机酸等。此外，基于碰撞截面测量，验证了8对异构体。此外，甘肃、山西和吉林省生产的黄芪基可通过PLS-DA和OPLS-DA模型成功区分。共鉴定出20种差异代谢物，包括8种类黄酮和12种皂苷，如黄芪苷II、新黄芪苷I、黄芪苷VII、黄芪苷VI、大豆皂苷I、花萼苷-7-O-葡萄糖苷、福莫诺丁-7-O-葡萄糖苷-6“-O-醋酸酯和洋葱，这些均可作为潜在标志物。
-
基于反应面方法和深度神经网络优化桑葚花青素酶超声辅助提取，并分析体外抗氧化活性
查看原文
2025
Food Chemistry
中科院一区JCR一区
Chunzi Zhang, Wenhuan Ding, Asiya Mamattursun, Xiaoyan Ma, Shuwen Qi, Yukun Wu, Juan Zhang & Xiaoli Ma
食品标签
新鲜水果 其他生物活性与健康效应 过程优化与控制策略 多酚与黄酮计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析本研究以新疆本土“药用兼食”资源桑树为原料，并通过建立反应面模型（RSM）和深度神经网络模型（DNN）优化了酶超声辅助桑葚花青素提取过程。进行了单因子Box-Behnken实验，研究了果胶酶剂量、酶解时间、超声温度、超声波时间、溶剂浓度和固液比对总花青素（TAC）和氰苷-3-O葡萄糖苷（C3G）、氰苷-3-O提取速率的影响-芦黄苷（C3R）两种花青素化合物，以及综合评估指数作为参考，以获得最佳提取条件。结果表明，RSM和DNN模型都能准确预测，但通过比较确定系数（R）来实现2发现DNN模型（R）为2= 0.990 0）比RSM模型（R）具有更好的预测效果2 = 0.940 4），DNN模型的相对误差为0.85%，远低于RSM模型的4.50%。DNN模型的预测准确性优于RSM模型。这表明DNN模型能够准确反映实验结果，预测桑葚花青素的提取过程。最后，根据DNN模型确定了桑葚花青素组分的最佳提取工艺：固液比为50 mL/g，乙醇浓度63%，超声波温度40°C，果胶酶剂量为0.5%，桑树中总花青素含量可达3.16 mg/g。公共卫生部、美国公共技术学院（ABTS）和·OH的最大清粪率分别为80%、98%和54%，表明桑葚花青素具有显著的抗氧化能力。本研究结果为从桑葚中提取花青素成分提供了有效且可持续的工艺优化方案。
-
整合人工智能与先进光谱技术用于精准食品安全与质量控制
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Imane Ziani, Hamza Bouakline, Abdelqader El Guerra, Ali El Bachiri, Marie-Laure Fauconnier & Farooq Sher
食品标签
食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据高效液相色谱（HPLC）和气相色谱-质谱联用（GC-MS）等传统方法在食品分析中广泛应用，但在检测超低含量或复杂基质中的痕量污染物时往往存在局限性。本综述重点介绍了近期食品分析技术的突破，这些技术为消费者健康保护提供了前所未有的灵敏度和准确性。在这些进展中，宽线表面增强拉曼散射（WL-SERS）将灵敏度提高了十倍，能够检测到生鲜乳中三聚氰胺等污染物的浓度，远低于常规阈值。质谱成像（MSI），特别是基质辅助激光解吸/电离质谱成像（MALDI-MSI），在空间分辨率方面取得了显著进展，能够对食品成分和污染物进行精确的空间分布绘制。此外，二维液相色谱（2D-LC）和多维气相色谱技术也发展迅速，在复杂食品体系中实现了低至1 ppb的检测限。创新的传感器技术，如Dpy近红外（NIR）荧光探针和电化学发光（ECL）适配体传感器，提供了快速、高灵敏度的检测，有效补充了传统方法的不足。此外，人工智能（AI）和机器学习（ML）的整合彻底改变了食品质量评估方式，卷积神经网络（CNNs）等模型在识别掺假物方面的准确率高达99.85%。尽管取得了这些进展，但高昂的运营成本、传感器稳定性以及AI的计算需求等挑战依然存在。本综述强调了先进光谱技术、AI驱动分析和新型传感器技术的融合，并概述了未来策略，如设备小型化、纳米材料创新和标准化协议。这些方法为提高食品安全和质量管理的精确性、效率和可及性提供了变革性的途径，最终将促进公共卫生保护。
