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
-
智能水凝胶：由材料衍生智能驱动的食品检测、保鲜与递送
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Shiwei Zheng, Da-Wen Sun & Zhiwei Zhu
食品标签
其他生物活性与健康效应 食品安全与风险评估 智能/指示型包装计算机标签
机器学习/统计学习 深度学习背景：在对动态环境感知和精确调控需求激增的智能时代，具有独特材料衍生智能、优异生物相容性和可调控理化性质的智能水凝胶，为实现新一代与深度人工智能（AI）耦合的智能材料系统提供了不可或缺的核心功能模块和物理载体。因此，系统综述智能水凝胶的最新研究进展，深入分析其构效关系、响应机制、面临的挑战及未来发展趋势，变得尤为迫切和必要。
范围与方法：本综述从物理和生化响应的内在机制出发，进一步创新性地从外场驱动和正交/协同设计的角度阐述了智能水凝胶的调控策略。此外，通过整合食品检测、智能包装与递送等典型应用场景，展示了智能水凝胶系统在不同场景下的“感知-执行”能力。
主要发现与结论：智能水凝胶凭借其独特的材料衍生智能，在食品科学等领域实现了实时环境传感和智能响应。非接触式外场策略（磁、电、超声）避免了环境依赖性和空间分辨率限制。正交/协同设计通过整合无干扰的响应模块或协同的能量/信号耦合实现多刺激响应，能够并行处理复杂的环境信号。智能水凝胶在从食品安全检测、智能包装到生物活性物质递送等领域均展现出强大的智能性。 -
利用高光谱成像进行小麦谷物分类：为单粒和批粒级谷物拼接可见光-近红外与短波红外数据
查看原文
2025
Food Control
中科院一区JCR一区
Gözde Özdoğan & Aoife Gowen
食品标签
小麦 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 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据小麦品种鉴定是官方小麦籽粒检验中确定其品质与贸易价值的关键环节。传统上，小麦类别鉴定依赖于对植株和籽粒外观、历史及地理分布的深入专业知识，因此亟需一种自动化技术来规范小麦品种命名，使种植者和生产者能够便捷、准确地识别其谷物。本研究探讨了可见光-近红外（Vis-NIR）与短波红外（SWIR）光谱成像技术用于小麦类别识别的可行性。实验分别采集了单粒小麦籽粒的腹面（正面）和背面（反面）以及整批（bulk）小麦的高光谱数据，并对垂直与水平方向的数据进行拼接，以比较不同数据组合方式对分类性能的影响。此外，还研究了基于单粒数据构建整批样本分类模型的可行性。光谱数据预处理采用了标准正态变量变换（SNV）、Savitzky-Golay一阶导数（SG-1）和二阶导数（SG-2）。分类算法包括线性判别分析（LDA）、支持向量机（SVM）和人工神经网络（ANN）。同时，采用最小冗余最大相关性（mRMR）算法进行特征选择，以对比数据拼接与特征选择策略在分类性能上的差异。结果表明：腹面（up）数据的分类效果优于背面（down）数据；Vis-NIR波段的分类准确率高于SWIR波段；对于单粒小麦，最佳分类性能由LDA-SNV模型实现，该模型融合了Vis-NIR与SWIR波段的腹面和背面数据，并进行垂直与水平拼接，在10折交叉验证和测试集上的准确率分别达到93.72%和94.93%；基于mRMR筛选出的100个特征所构建的模型，其准确率未超过全拼接数据模型；整批样本的分类性能显著优于单粒样本，在交叉验证和测试集中均达到100%的准确率。本研究表明，光谱成像技术在无损、高效识别小麦类别方面具有巨大潜力，为小麦品质监管和自动化分级提供了可靠的技术路径。
-
基于电子眼、闪光气相色谱电子鼻和FT-NIR结合机器学习技术，快速评估姜黄的来源与质量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Qiang Guo, Ming-xuan Li, Rao Fu, Xin Wan, Wen-hao Dong, Chun-qin Mao, Zhen-hua Bian, De Ji, Tu-lin Lu & Yu Li
食品标签
香精香料 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮 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 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据咖喱中的关键成分和受欢迎的健康补充剂姜黄曾遭受掺假和虚假原产地标签。本研究采用了E-eye、Flash GC e-nose和FT-NIR，结合机器学习和多变量算法，用于对姜黄成分的起源鉴定和定量预测。结果显示E-eye在产地分类方面表现不佳，而Flash GC e-nose识别出区分不同来源的姜黄味标记，但缺乏精确量化。在用SNV处理FT-NIR光谱后，包括SVM在内的三个机器学习模型的准确率从83.3%提升到100%。此外，针对三种成分（包括姜黄素）的PLSR模型也获得了平均R2训练和预测集的值均超过0.99，展现出优异的线性和预测准确性。总体而言，研究表明FT-NIR结合多元算法为快速鉴定黄酸起源和质量评估提供了有效且可行的方法。
-
鉴定用于多模荧光、紫外-可见和智能RGB监测及有毒汞去除的Au-ag量子点纳米酶2+以及 S2−在食品样本中
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jing Feng, Sheng Yao, Xiaohan Mei, Jiacheng Xie, Xujie Wang, Huitian Zhi, Ruhui Shang, Yingchao Yang, Lei Hu & Zhengquan Yan
食品标签
化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 矿物质与微量元素 其他特殊成分计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据方便地监测和去除有毒的汞2+以及 S2−在食品样品中，鉴定出金单键-氮量子点纳米酶（Au-Ag@FA QDs）。叶酸（FA）、亚银和金之间的强烈协同效应使得Au-Ag@FA量子键具有更优越的过氧化物酶拟似活性，以加速3,3′，5,5′-四甲基苯并胺（TMB）与K的氧化还原 m/V马克斯0.28 mmol· L−1/6.40 × 10−8mol· L−1·s−1. 痕迹Hg2+或 S2−可以选择性地改变其过氧化物酶样活性和固有的荧光表现，并明显对Hg产生高色/“开启”荧光效应2+或S的低色度/“关闭”按钮2−. 而从智能手机分析的红-绿-蓝（RGB）数值则以c定期变化Hg2+或 cS2−. 在优化条件下，Au-Ag@FA量子点成功应用于多模紫外-可见、荧光和RGB汞的监测2+或 S2−在食品样本中。检测限为7.38×10−7/5.74 × 10−8/4.93 × 10−6g· L−1以及1.99×10−6/4.48 × 10−8/5.79 × 10−6g· L−1分别。重要的是，Hg超过93.8%2+或90.5% S2−检测后可通过简单的离心分离去除。对汞的选择性识别机制2+以及 S2−也被提议。
-
利用近红外光谱与非线性化学计量工具结合APaRPs评估，定量预测超声处理下的鸡肉碎凝胶强度
查看原文
2025
Food Chemistry
中科院一区JCR一区
Huanhuan Li, Xorlali Nunekpeku, Wei Zhang, Selorm Yao-Say Solomon Adade, Waqas Ahmad, Wei Sheng & Quansheng Chen
食品标签
禽肉 物理辅助加工 质构与流变性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
机器学习/统计学习 支持向量机 梯度提升决策树 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据实现理想的凝胶强度是保证鸡肉糜制品获得理想质构的关键。本研究建立了一种基于近红外光谱（NIR）与非线性化学计量学建模的快速、无损检测方法，用于预测超声波处理下鸡肉糜的凝胶强度。首先，对鸡肉糜样品进行0～50分钟的高强度超声波处理，随后进行热诱导凝胶化处理。采用传统方法测定凝胶强度，并采集近红外光谱数据。通过增广偏残差图（APaRPs）验证了凝胶强度与光谱数据之间存在非线性关系。随后，基于全近红外光谱，并结合无信息变量消除法（UVE）、竞争性自适应重加权算法（CARS）、遗传算法（GA）等变量筛选方法，分别构建非线性支持向量机（SVM）与极限学习机（ELM）模型。结果表明，遗传算法对模型性能的提升效果最优，其结合极限学习机模型获得了最高的预测决定系数（Rp²=0.8772），该方法具备快速、无损预测鸡肉糜凝胶强度品质的应用潜力。
