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 712 条结果
-
基于近红外与傅里叶变换红外特征变量预测不同制备方法下天麻关键挥发性有机化合物及风味强度识别
查看原文2025
Food Research International
中科院一区JCR一区Yingfeng Zhong, Jieqing Li, Honggao Liu & Yuanzhong Wang
食品标签
其他根茎类 加工与新加工技术 理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据为快速分析天麻采收后的风味品质,本研究结合近红外光谱、傅里叶变换红外光谱和顶空固相微萃取-气相色谱-质谱技术,构建了112个偏最小二乘回归模型,用于预测不同制备样品中的关键挥发性有机化合物并分析其特征波数。结果表明,酒制处理对其独特风味至关重要。近红外和傅里叶变换红外光谱策略均能准确预测关键挥发性有机化合物,其最优模型的决定系数超过0.9,残差预测偏差超过3.9。两种策略筛选出的特征波段不仅能用于预测其他重要的挥发性有机化合物,还能有效区分高风味强度的酒制天麻与其他方法处理的样品。验证集准确率分别为100%和83.33%。本研究为优化天麻的加工方法提供了理论基础和技术支持。
-
机器学习驱动的食品加工创新:应用、挑战与未来发展的系统综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Jilong Gao, Shaojin Wang, Ferruh Erdogdu, Francesco Marra, Fabrizio Sarghini & Long Chen
食品标签
加工与新加工技术 干燥保藏 过程监测与在线检测 过程优化与控制策略计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 小规模数据集背景:食品加工受到多种因素(如物料特性和加工参数)的影响,这使得其分析具有复杂性。传统方法(实验或数学/机理模型)存在局限性,例如成本高、外推误差大以及建模受限等。机器学习(ML)作为一种数据驱动的方法,具备强大的非线性拟合能力,能够整合多因素相互作用以实现工艺优化,从而降低能耗、提高产品质量和经济效益。因此,机器学习在食品加工领域展现出了潜力。
范围与方法:首先,介绍了食品加工中常用机器学习算法的优缺点,以帮助研究人员选择最合适的算法。其次,总结和分析了机器学习在食品检测、干燥和发酵中的应用,以及存在的挑战和相应的解决方案。此外,还提出了机器学习在食品加工领域的前瞻性策略。
主要发现与结论:机器学习在食品加工领域取得了显著进展,其应用涵盖检测、干燥和发酵等方面,所涉及的算法从无监督/有监督学习到深度学习不等。当前研究显示出了不同的局限性,例如小样本带来的过拟合风险、模型的可解释性局限,以及由于食品加工的特殊性导致的数据获取困难等。为了构建高质量的机器学习模型,必须针对特定的加工过程对数据集和算法进行优化。为促进机器学习在食品加工领域未来的应用,提出了以下方向:开发小样本算法、将机理模型与机器学习相结合以增强物理可解释性,以及建立全球大数据平台,推动高效、智能且可持续的食品加工发展。 -
基于肽组学、机器学习、分子对接和分子动力学模拟鉴定杜洛克×(高黎贡山猪×撒坝猪)杂交猪肉鲜味肽及其呈味特征
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Yuzhu Wang, Wentao Zheng, Daodian Wang, Guangqiang Wei, Zhenzhu Li, Yufang Li, Yue wang, Jindou Shi, Wenli Tao, Wenbin Zhang, Guiying Zhao, & Aixiang Huang
食品标签
畜肉 特征风味 感官科学与消费者研究 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 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据本研究从杜洛克×(高黎贡山猪×撒坝猪)杂交猪肉(DGS)中鉴定新型鲜味肽,并探索其与 T1R1/T1R3 受体的相互作用机制。研究采用液相色谱-串联质谱(LC-MS/MS)表征 DGS 热鲜肉(DGSH)和冷鲜肉(DGSC)的肽谱,发现 DGSC 具有更高的鲜味肽潜力。通过生物信息学和构象关系分析筛选出 7 条潜在鲜味肽。感官评价显示,VEGK、VESL、LEEK、LPEAL 和 KRLMEDTED 五条新肽的鲜味阈值为 0.21-0.48 mg/mL。电子舌分析表明,VESL 和 LEEK 的鲜味强度超过等浓度味精,VEGK 的鲜味强度超过双倍浓度味精。分子对接显示,这五条新肽主要通过氢键与 T1R1/T1R3 结合,分子动力学模拟进一步证实其结合稳定。该研究为丰富云南地方杂交 DGS 猪肉风味化合物资源和解析其适口性提供了科学依据。
-
基于近红外光谱技术的传统卡莎萨酒酒精含量定量分析与掺假鉴别研究
查看原文2025
Food Chemistry
中科院一区JCR一区Valber Elias de Almeida, José Félix de B. Neto, Taliana Kênia A. Bezerra, Vandessa P. da Silva, Germano Veras, Railson de Oliveira Ramos & David Douglas de Sousa Fernandes
食品标签
酒精饮料 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 偏最小二乘法 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据卡莎萨酒是巴西传统酒精饮品,在巴西经济中占据重要地位。传统质量检测方法成本高昂,不仅需要专业人力,检测耗时也较长。本研究提出采用近红外光谱技术,建立创新且环保的检测方案,用于卡莎萨酒酒精度定量分析与掺假鉴别,无需使用化学试剂。研究选取巴西帕拉伊巴州布雷茹微产区的462份卡莎萨酒样本,运用偏最小二乘法(PLS)、蒙特卡洛无信息变量消除结合偏最小二乘法(MCUVE-PLS)、竞争性自适应重加权采样结合偏最小二乘法(CARS-PLS)、迭代变量子空间投影结合偏最小二乘法(iSPA-PLS)等变量筛选算法开展数据分析。其中MCUVE-PLS-DA/OFF模型的掺假鉴别准确率达97.3%,iSPA-PLS-DA/OFF模型用于酒精度检测时,预测均方根误差为0.16体积分数、剩余预测偏差为59.04、相关系数为0.99。上述模型可为传统检测方法提供一种可持续、高性价比的替代方案,在保障卡莎萨酒生产合规性与品质稳定性的同时,提升模型可解释性并降低计算成本。
-
基于XGBoost机器学习算法的人参饮料澄清后沉积物重形成因子分析
查看原文2025
Food Chemistry
中科院一区JCR一区Jiabao Feng, Yuan Cui, Chunyan Jiang, Xueyuan Bai, Daqing Zhao, Meichen Liu, Zhengqi Dong, Shiting Yu & Siming Wang
食品标签
其他饮料 品质、结构与理化性质 蛋白质与氨基酸 碳水化合物与糖类计算机标签
机器学习/统计学习 梯度提升决策树 定量预测/回归分析本研究以极端梯度提升(XGBoost)模型为基础,探究经乙醇沉淀法、酶处理法、澄清剂澄清法、中空纤维柱(HFC)法四种澄清方式(含11个亚组)处理后人参饮料的沉淀再生影响因素。结果表明,四种澄清处理方式均能显著提升人参饮料的澄清度,但饮料储存后仍会产生沉淀;在各澄清处理组中,中空纤维柱(HFC)法处理的样品透光率最高、沉淀量最少,且抗氧化活性更强。通过化学成分分析及分配系数结果可知,糖类、皂苷、蛋白质及金属元素均不同程度参与了澄清后人参饮料沉淀的再生过程。基于上述数据,XGBoost模型预测,蛋白质、Rd型皂苷、钠、钾及总皂苷是影响人参饮料沉淀再生的五大关键化学成分。