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 167 条结果
-
从RGB图像到高光谱图像的光谱重建：以牛肉中谷氨酸指数的检测为例
查看原文
2025
Food Chemistry
中科院一区JCR一区
Fujia Dong, Ying Xu, Yingkun Shi, Yingjie Feng, Zhaoyang Ma, Hui Li, Zhongxiong Zhang, Guangxian Wang, Yue Chen, Jinhua Xian, Shichang Wang, Songlei Wang & Weiguo Yi
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
卷积神经网络 其他深度学习结构 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据利用光谱重构（SR）将RGB图像复原为全域高光谱图像（HSI），是实现高光谱图像实时、低成本应用的重要手段。以360份牛肉样本的谷氨酸指标检测为例，本文探究了11种当前主流重构算法在复杂食品体系中实现RGB图像向高光谱图像转换的可行性。通过多元相关性分析证实，RGB图像是三通道全覆盖宽波段信息的投影表征。本文提出融合峰值信噪比、参数量、浮点运算量的综合质量评价指标（PSNR-Params-FLOPS），筛选出最优重构模型，包括MST++、MST、MIRNet与MPRNet。同时引入结构相似性（SSIM）值与t分布邻域嵌入（t-SNE）方法，对重构结果的一致性进行评估。最后采用轻量化Transformer模型，分别构建原始高光谱图像、RGB图像及光谱重构高光谱图像（SR-HSI）的检测模型，用于牛肉谷氨酸指标的预测分析。实验结果表明，MST++模型在光谱重构任务中表现最优，其均方根误差、峰值信噪比、结构相似性分别为0.015、36.70、0.9253；经MST++重构后的模型预测效果（决定系数$R^2_P$=0.8422、相对分析误差RPD=2.46）与原始高光谱图像模型（$R^2_P$=0.8526、RPD=2.69）高度接近。该研究成果为RGB图像转高光谱图像技术提供了实际应用场景与详实的分析思路。
-
基于深度神经网络的高光谱数据预测猪肩肉头半棘肌的烹饪损失
查看原文
2025
Meat Science
中科院一区JCR一区
Kyung Jo, Seonmin Lee, Seul-Ki-Chan Jeong, Hyeun Bum Kim, Pil Nam Seong, Samoel Jung & Dae-Hyun Lee
食品标签
畜肉 其他品质相关性质 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 深度学习 定量预测/回归分析 高光谱/多光谱光谱 小规模数据集本研究评估了一种基于深度学习的模型，该模型使用宰后24小时采集的高光谱图像预测猪肩肉头半棘肌的烹饪损失。为了克服小样本问题，使用了70个猪肩肉，并采用了基于像素的数据增强。预测头半棘肌烹饪损失的主成分回归和偏最小二乘回归模型在应用多元散射校正后显示出较高的R²值，而一阶导数则降低了均方根误差。基于深度学习的模型优于PCR和PLSR模型。模型对烹饪损失等级分类的准确率随着等级数量的增加而下降，其中三个等级的模型分类准确率最高。深度学习模型表现出最高的分类准确率（0.82）。使用深度学习模型可视化了头半棘肌的烹饪损失。头半棘肌的pH和烹饪损失与猪肩肉片的烹饪损失显著相关（分别为-0.54和0.69）。因此，使用高光谱图像的深度学习模型可以预测头半棘肌的烹饪损失等级。这表明，利用从头半棘肌获得的高光谱图像可以实现对猪肩肉品质特性的无损预测。
-
不同品种烤猪肉香气指纹的差异分析：结合使用GC-IMS、GC-O-MS和GC×GC-MS的互补方法
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xinhe Zhang, Jingyu Li, Wenjing Li, Shuqi Zhao, Chanchan Sun, Chengyu Zeng, Cheng Li, Jiangyan Yu, Fengxue Zhang, Junke Li & Huan Liu
食品标签
畜肉 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 质构/流变/感官数据在中国，由于对适合烤制的猪品种了解有限，猪肉产业化进程受到了阻碍。研究人员采用感官评价和多维质谱法，对不同品种烤猪肉的香气特征进行了分析。结果观察到了明显的指纹差异，其中民猪（MIP）烤制品的变化最为显著。与南阳黑猪（NBP）、长白猪（LAP）、莒南土猪（JUP）和乌金猪（WUP）相比，民猪烤猪肉的感官强度最高，尤其是在烘烤味、肉味和脂肪味方面。研究鉴定出31种关键香气化合物，其中吡嗪类化合物，特别是3 - 乙基 - 2,5 - 二甲基吡嗪，对烘烤香气的贡献最大。偏最小二乘判别分析（PLS - DA）是区分不同品种烤猪肉的有效方法，样本之间无重叠。值得注意的是，3,5 - 二乙基 - 2 - 甲基吡嗪成为了一种独特的标志物。这项研究为筛选适合烤制的猪品种提供了可靠的方法。
-
使用机器学习算法结合屠宰场饲养员行为和动物行为预测牛黑切肉：土耳其的一项研究
查看原文
2025
Meat Science
中科院一区JCR一区
Seyfi Özdemir, Gonca Nuran Özdemir & Bulent Ekiz
食品标签
畜肉 颜色与外观品质计算机标签
随机森林 梯度提升决策树 特征工程与选择策略 分类/鉴别/等级评定本研究旨在利用多种机器学习算法，探讨屠宰场饲养员行为、动物行为与牛黑切肉发生之间的关系。研究还将季节、年龄、性别、品种、胴体擦伤评分、胴体重以及各种运输相关变量作为协变量和黑切肉的潜在预测因子。数据采集自648头牛，包括荷斯坦牛、瑞士褐牛和西门塔尔牛。黑切肉胴体的百分比为6.64%。采用合成少数类过采样技术将不平衡数据集转换为平衡数据集。机器学习应用于四种不同的模型，这些模型基于是否纳入协变量、饲养员行为和动物行为作为预测因子来定义。Boosting算法获得了最高的准确率值（0.97）。在所有算法中，包含饲养员行为作为预测因子的模型均取得了最高的准确率值。根据Boosting算法，年龄、屠宰走廊中电击棒的使用和击打以及休息栏类型是影响黑切肉的最重要特征。总之，使用Boosting和随机森林算法，结合包含饲养员行为、动物行为和多种协变量的模型，可以以令人满意的准确率对正常和黑切肉胴体进行分类。然而，本研究反映了土耳其当地的牛只处理实践；需要进一步的研究来探索其他国家的牛只处理实践。
-
通过混合深度学习优化干腌火腿皮的水解：一种智能工艺方法
查看原文
2025
LWT
中科院一区JCR一区
Chenguang Li, Tingting Gao, Xuanyi Liu, Changcheng Zhao, Chunxiang Piao, Tingyu Li, Juan Wang, Hongmei Li, Baide Mu, & Guanhao Li
食品标签
畜肉 副产物与废弃物高值利用 加工与新加工技术 蛋白质与氨基酸计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析干腌火腿皮副产品的可持续增值是食品循环经济倡议中的一项关键挑战。虽然用酶法提取鲜味肽为价值提升提供了一种可行途径，但传统的优化方法在捕捉复杂非线性参数相互作用方面存在固有局限。在此，我们将多算法深度学习架构（SAA-BKA-CNN-BiLSTM-Attention）与经验实验设计结合，以克服这些局限性。研究显示，在胰蛋白酶介导水解的优化中，该混合模型表现出优越性能，在理想参数下实现了前所未有的预测精度（误差0.79%）：固液比（1:9.858）、酶用量（6064.85 U/g）和反应时间（6.11 小时）。全面的生化分析表明，该框架具有增强风味和抑制异味的双重能力。经过深度学习优化的水解物呈现出显著升高的鲜味相关氨基酸：谷氨酸（146.56 ± 1.45 mg/100g）和天冬氨酸（124.97 ± 0.45 mg/100g），分别比RSM和OAD高出10.05%/22.93%和43.01%/28.14%。增强甜味的甘氨酸（401.22 ± 1.11 mg/100g）和丙氨酸（224.31 ± 3.04 mg/100g）也显著增加（P < 0.05），而RSM优化工艺出乎意料地增加了苦味氨基酸，尽管其具有调节盐味的潜力。本研究建立了一种颠覆性的方案，将富含胶原蛋白的废料转化为优质鲜味成分，为解决可持续食品工程中的多方面挑战提供了可扩展的解决方案。
