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 276 条结果
-
Sr 同位素与稀土元素指纹结合机器学习用于谷物醋的产地溯源研究
查看原文
2026
Food Research International
中科院一区JCR一区
Qian Zhang, Min Li & Guilin Han
食品标签
谷物发酵食品 食品安全与风险评估 其他理化与结构表征 其他矿物质计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 质构/流变/感官数据食醋的地理来源对于食品真实性鉴定愈发重要，但有效的溯源工具仍有待开发。本研究评估了锶同位素（⁸⁷Sr/⁸⁶Sr）与稀土元素（REEs）作为多元素地球化学指纹，用于区分四种具有代表性的中国谷物食醋的潜力。山西、四川、江苏和福建食醋的⁸⁷Sr/⁸⁶Sr比值分别为0.71064±0.00054、0.71156±0.00040、0.71206±0.00065和0.70910±0.00014。这些特征值在很大程度上反映了当地地质背景下的生物可利用锶，唯有福建食醋除外，其同位素偏移与液态酿造过程中使用的部分非本地原料相关。稀土元素含量表现出较强的内部一致性，并与锶含量及87Sr/86Sr比值均存在显著相关性，表明二者受共同的来源相关因素控制。多元化学计量学分析证实，元素与同位素标志物联合使用具有较高的判别能力。主成分分析（PCA）可实现初步区分，而线性判别分析（LDA）与随机森林（RF）模型则获得了显著更高的分类准确率，其中LDA在测试集上的识别准确率达100%，RF为88.89%。本研究表明，87Sr/86Sr、稀土元素与机器学习模型的联合应用，可为食醋地理来源鉴定提供一种可靠且高判别力的策略。
-
基于挥发性化合物和机器学习的中国白灼鸡（麻黄、土耳和黄油）快速分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Wei Xuan Chen, Yong Jing Bie, Yuan Xu, Bei Zhou, Xiao Ming Wang, Min Yi Han, Imre Blank, Lei Zhang, Yuan Liu, & Yan Ping Chen
食品标签
禽肉 食品安全与风险评估 其他安全问题 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
机器学习/统计学习 随机森林 梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据为了促进家禽产业的智能发展，本研究采用气相色谱-离子迁移谱（GC-IMS）系统分析了三种中国白斩鸡（CBC）品种（麻黄、土耳、黄油鸡）的挥发性有机化合物（VOCs）。开发了一种基于机器学习的CBC分类模型，用于快速、精准的品种识别。基于GC-IMS共鉴定出66种VOCs，通过Extra-Trees和F回归算法筛选出54种关键化合物。乙酸乙酯和3-己烯-1-醇为标志性VOCs。神经网络表现出优异性能（预测准确率=0.9611），显著优于XGBoost、决策树和随机森林模型。结果表明，基于挥发性有机化合物（VOC）的快速区分技术能够高效识别CBC品种，而神经网络（NN）模型为精确分类提供了创新的解决方案。这项研究为中国禽类加工行业的智能化升级提供了强有力的技术支持，通过数据驱动的方法提升了质量控制和生产效率。
-
基于非靶向代谢组学结合化学计量学的恩施不同海拔龙井 43 鲜叶鉴定与品质评价
查看原文
2026
Food Research International
中科院一区JCR一区
Ruixin Lou, Liangji Wu, Qiang Zhang, Kaikai Li & Tao Hou
食品标签
茶/茶饮料 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 代谢组学 多酚与黄酮计算机标签
支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 组学数据 质构/流变/感官数据绿茶品质与其生长环境密切相关，尤其是海拔高度。本研究采用化学计量分析中的机器学习方法，探究绿茶原料与海拔之间的内在关联。采集了三个海拔区间（U500、500–799、H800）的46份龙井43（LJ43）茶树样品，并进行基础成分分析与非靶向代谢组学检测。结果显示，海拔依赖性变化趋势显著：茶多酚、总儿茶素（表没食子儿茶素没食子酸酯、表儿茶素、儿茶素、没食子儿茶素、表没食子儿茶素）及咖啡因含量随海拔升高而降低，而包括茶氨酸在内的总游离氨基酸、可溶性糖、表儿茶素没食子酸酯及儿茶素没食子酸酯含量则呈上升趋势。此外，通过变量重要性投影值≥1且P值＜0.05的双重阈值筛选，鉴定出74种海拔特异性代谢物，并进一步运用多种机器学习算法对原料海拔进行分类判别。在测试集中，随机森林（RF）模型分类准确率最高，达97.5%，优于支持向量机（SVM）的95.24%和K近邻（KNN）的82.5%。随机森林集成结构有助于降低高维代谢组学数据的过拟合风险，并可量化特征重要性，从而助力关键海拔生物标志物的鉴定，如1,2,3-三-O-没食子酰基-β-D-葡萄糖和没食子酰基原花青素B4。相比之下，线性支持向量机难以处理非线性模式，而K近邻易受无关特征干扰。本研究表明代谢物与海拔高度密切相关，非靶向代谢组学分析结合机器学习可作为构建原料及其环境化学指纹图谱的有效手段。
-
近红外高光谱成像结合元素和同位素分析表征养殖鲑鳟鱼类的地理来源
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Dawei Sun, Li Li, Cui Han, Chengquan Zhou, Chen Li, & Hongbao Ye
食品标签
鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
深度学习 智能手机/其他 随机森林 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据高价值鲑鳟鱼类的地理溯源对于减少食品欺诈和保障产品真实性至关重要。本研究将近红外高光谱成像与元素和同位素分析相结合，以表征鲑鳟鱼类的地理来源信息并提高判别模型的可解释性。首先对光谱数据与元素、同位素数据进行皮尔逊相关分析以构建光谱指纹，随后分别利用全光谱和提取的光谱特征建立机器学习与深度学习模型，并进一步采用随机森林模型预测关键元素和同位素。结果表明，多种元素和同位素与约900、1000和1200 nm附近的光谱区域高度相关，这些区域反映了新鲜鲑鳟产品地理来源的重要光谱特征。所有判别模型均获得了可接受的总体准确率（大于65%），其中序列前向选择-极限学习机（SFS-ELM）的精确率最高，达到88.13%。关键元素和同位素也得到了较准确的预测（R²大于0.70），并通过化学分布图进行了直观可视化。本研究融合高光谱成像与元素、同位素分析，为解释与产地判别最相关的光谱区域提供了化学计量学依据，增进了对模型可解释性和特征有效性的综合认识。
-
燕麦在单菌或共培养固态发酵过程中的挥发性演变：使用经典化学计量学和机器学习技术的风味组学方法
查看原文
2026
Food Chemistry
中科院一区JCR一区
Stella Green, Graham T. Eyres, Dominic Agyei, Nicholas Horlacher, & Biniam Kebede
食品标签
杂粮 谷物发酵食品 特征风味 发酵工艺与动力学 风味组学 其他植物化学物质计算机标签
偏最小二乘法 随机森林 定量预测/回归分析 组学数据虽然固态发酵（SSF）可以增强燕麦的生物活性潜力，但挥发性化合物形成的时间动态，尤其是在混合微生物体系中，仍未得到充分表征。这些挥发性物质不仅影响感官特性，还反映了发酵过程中的基础代谢相互作用。本研究研究了在单一培养和与植物乳杆菌（Lactiplantibacillus plantarum）共培养下，用寡孢根霉（Rhizopus oligosporus）进行燕麦固态发酵（SSF）过程中挥发物的演变情况，发酵时间为120小时。共鉴定出55种挥发性化合物，涵盖十个化学类别。除醛类外，大多数类别随时间增加，共培养体系产生更高水平的醇类、羧酸、酯类和酮类。在共培养体系中，支链、斯特雷克尔（Strecker）醛的峰值在SSF过程中下降，表明存在互补的代谢交换。非线性随机森林回归比线性偏最小二乘回归更能捕捉挥发性轨迹。总体来看，这些结果提供了一个SSF系统级指纹，展示了单独培养和共培养SSF如何不同地塑造燕麦的挥发性成分，为未来燕麦发酵产品的开发提供参考。
