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 276 条结果
-
乳酸菌的同步接种与序贯接种对中式辣白菜风味特征的调控:一项机器学习与建模研究
查看原文2026
International Journal of Food Microbiology
中科院一区JCR一区Weiye Cheng, Qingyang Zhang, Xuan Wang, Yun Cen, Zifan Li, Yunjing Gu, Hui Guan, Kanghee Ko, Wenli Liu & Huamin Li
食品标签
蔬菜发酵制品 消费者偏好与接受度 光谱/色谱/质谱等分析方法 发酵工艺与动力学计算机标签
随机森林 分类/鉴别/等级评定发酵剂的接种时机是影响发酵食品质量的关键因素,但这一因素尚未得到充分研究。本研究评估了同时接种(T1)和顺序接种(X1)明串珠菌、利维乳酸杆菌和植物乳杆菌对中国辣白菜(CSC)中菌种间竞争及发酵动态的影响。T1策略加快了发酵动力学过程,其中明串珠菌作为主要发酵菌发挥作用;而接种顺序改变了次级发酵菌的竞争层级:利维乳酸杆菌在T1中占据主导地位,植物乳杆菌则在X1中占优。这种不同的微生物演替过程产生了独特的芳香特征,随机森林模型识别出甲基烯丙基二硫醚(第6天)和二甲基三硫醚(第13天)是导致这些风味差异的关键标志性化合物。尽管T1组形成了更浓郁的发酵风味,但感官分析表明,顺序接种(X1)策略通过在适度风味和保持质地之间取得更理想的平衡,获得了更高的总体可接受度。这些研究结果表明,调整接种时机是调控微生物演替并系统性改变发酵蔬菜最终感官特征的有效方法。
-
基于常压质谱联用机器学习的红茶产地快速溯源与品质鉴定
查看原文2026
Food Research International
中科院一区JCR一区Hongping Zeng, Xiangyu Wang, Miaoxiu Ge, Mengyao Liu, Zhaoying Wang, Xiangyu Kong, Jianyu Weng, Xiaoming Du, Wei Xiong & Luhong Wen
食品标签
茶/茶饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法 代谢组学计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 组学数据红茶的精准产地溯源与全面掺假评估对质量管控和市场监管至关重要,但由于代谢差异细微且掺假行为复杂,相关研究仍面临挑战。本研究构建了一套将常压质谱技术与先进数据驱动算法相结合的统一分析框架,可快速实现产地溯源、掺假物鉴别及掺假量定量预测。为快速获取丰富的代谢组学特征,本研究采用细胞破碎辅助溶剂直接提取策略,有效表征不同产地红茶的化学差异性,并系统筛选与验证了用于产地区分的明确生化标志物。在产地精准分类方面,采用随机森林(RF)模型从复杂代谢组数据中提取特征信息,分类准确率达95.00%~100%。更为重要的是,本研究构建了11种标准化掺假体系以模拟真实拼配场景,并生成代表性数据集用于机器学习建模。结合XGBoost分类模型,实现了对掺假物的可靠定性鉴别,准确率为93.3%~100%。此外,利用随机森林回归模型完成了掺假比例的定量预测,该模型表现出较高的预测精度与稳定性,均方根误差(RMSE)低于6.78%,决定系数(R²)高于0.9606。综上,本研究提出了集产地溯源、掺假物鉴别与掺假量定量于一体的综合分析框架,为红茶真伪鉴别与监管提供了重要技术支撑。
-
一种消除香榧果壳干扰、提升香榧籽内部缺陷近红外检测精度的新型光谱校正方法
查看原文2026
Food Research International
中科院一区JCR一区Jiajun Zan, Binyan Hou, Yuan Du, Yu Hu, Lili Son, Jiasheng Wu & Tong Sun
食品标签
豆类与坚果(及籽类) 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 梯度提升决策树 其他深度学习结构 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据香榧果壳产生的光谱干扰会显著影响带壳香榧内部缺陷的检测,降低检测精度。针对该问题,本文提出一种结合全连接神经网络(FNN)与高斯滤波(GS)的近红外光谱校正方法,以消除果壳光谱干扰,提升黑仁缺陷检测精度。对比研究了直接校正法(DS)、分段直接校正法(PDS)以及所提FNN-GS方法的校正效果,并采用随机森林(RF)、支持向量机(SVM)、极端梯度提升(XGBoost)和轻量级梯度提升机(LightGBM)构建检测模型。结果表明,DS与PDS校正效果有限,模型性能无显著提升甚至有所下降;而FNN-GS方法校正效果更优,分类精度显著提高。在预测集上,RF与SVM模型的准确率、灵敏度和特异度均达到100%;XGBoost与LightGBM模型准确率为95.83%,特异度为100%,灵敏度为91.67%。与未校正原始光谱构建的模型相比,RF和SVM模型的灵敏度分别提升16.67%和19.44%,准确率分别提升8.33%和9.72%;与仅采用果仁光谱构建的模型相比,RF和SVM模型在准确率与灵敏度上均更具优势。所提校正方法可有效去除果壳相关光谱干扰,增强缺陷相关光谱特征,实现黑仁缺陷的高精度无损检测,为利用近红外光谱技术开展其他坚果类果品内部品质检测提供参考。
-
结合离子迁移谱和机器学习的橄榄油地理来源真实性鉴别
查看原文2026
Food Control
中科院一区JCR一区Ana Isabel Rodríguez-Gutiérrez, Marta Barea-Sepúlveda, Oumaima Boutoub, María José Aliaño-González, Miguel Palma, & Ceferino Carrera
食品标签
新鲜水果 植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 其他植物化学物质计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据近年来,确保橄榄油等高价值农食产品地理来源真实性和可追溯性的需求显著增长,这既源于保护原产地名称保护产品的需要,也与出口市场质量标准合规有关。本研究优化了一种基于顶空-气相色谱-离子迁移谱的方法,用于分析来自西班牙、葡萄牙、摩洛哥和意大利四个产地橄榄油样品中的挥发性有机化合物。研究采用 Box-Behnken 设计和响应面法优化实验条件,获得最佳条件为:0.33 g 样品在 35 °C、500 rpm 振荡下孵育,顶空形成时间 9 min,进样体积 0.11 mL。通过重复性和中间精密度评估方法精密度,变异系数均低于 5%。随后,该方法被用于分析四个产地的 24 个商业橄榄油样品。基于 IMSS 方法进行先进机器学习分析后,随机森林算法建立的预测模型可准确区分不同地区样品。最后,研究基于随机森林算法开发了 Shiny 网页应用,并按最佳条件分析 4 个新的商业样品后输入算法,产地分类准确率达到 100%。同时,这些样品经香气品评专家三角测试分析,平均判别准确率为 68%。
-
整合代谢组学与机器学习揭示鹅蛋冷藏过程中非挥发性代谢物变化
查看原文2026
LWT
中科院一区JCR一区Zhi Cao, Shangzhong Qi, Qiang Bao, Qi Xu, Guohong Chen, & Yang Zhang
食品标签
蛋类及其制品 氧化、褐变等化学变化 特征风味 常规理化指标测定 代谢组学 嘌呤计算机标签
随机森林 智能手机/其他 定量预测/回归分析 组学数据 文本/知识库/法规数据鹅蛋是一种重要的禽蛋食品,其脂质和蛋白质含量高于鸡蛋或鸭蛋,但较高的不饱和脂肪水平也使其在贮藏过程中更易发生氧化和品质劣变。尽管代谢组学已广泛应用于肉类科学,但关于鹅蛋冷藏过程中非挥发性代谢物变化的信息仍较有限。本研究采用非靶向代谢组学方法,系统表征鹅蛋在冷藏过程中的动态代谢谱,并进一步整合机器学习算法筛选潜在标志代谢物,识别与鹅蛋腐败相关的关键代谢通路。研究使用 Mfuzz 聚类开展时间趋势分析,以刻画不同贮藏阶段的代谢物动态。方差分析后,共识别出 52 种持续上调和 47 种持续下调的差异代谢物。通路富集分析表明,嘌呤代谢、嘧啶代谢和酪氨酸代谢可能在鹅蛋腐败过程中发挥核心调控作用。此外,研究通过随机森林和 LASSO 回归分析识别出 3-hydroxybutanoic acid、6-aminonicotinamide、Gly-His 和 maleic acid 四种潜在腐败生物标志物。这些结果阐明了鹅蛋冷藏过程中与蛋白质和脂质氧化相关的关键代谢通路,并建立了基于代谢物特征的鹅蛋新鲜度预测框架,以实现早期腐败的准确识别。