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
-
采用灵活光电子原位传感系统和多输入多标签因果集成学习的羔羊新鲜度检测模型
查看原文
2025
Food Chemistry
中科院一区JCR一区
Wenhao He, Wentao Huang, Yunpeng Wang, Zhigang Li, Tobolková Blanka & Xiaoshun Zhang
食品标签
畜肉 品质、结构与理化性质 其他理化与结构表征计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 多模态/融合数据高效、无损且实时的肉类新鲜度检测一直是热门研究课题。本文提出一种结合柔性光电传感系统与集成学习模型的羊肉新鲜度检测新方法。研究通过激光直写与转印技术，搭建了柔性阻抗传感系统和柔性光学传感系统。在0℃、4℃和8℃不同贮藏条件下对羊肉样本开展新鲜度评价实验。实验结果表明，相较于传统检测方法，该系统具备优异的便携性、稳定性与检测精度。统计分析显示，羊肉理化特性、阻抗检测数据与光谱数据之间存在较强相关性（相关系数r＞0.86）。格兰杰因果检验结果表明，阻抗数据与光谱数据间存在显著因果关系（p＜0.05）。采用自研一维卷积神经网络-双向长短期记忆网络-注意力机制（1DCNN-BiLSTM-ATT）模型对数据进行分析并完成新鲜度等级划分，检测准确率达94.57%，性能显著优于传统算法。本文为羊肉新鲜度的高效、精准预测提供了一种创新技术方案。
-
塑造肉类消费转型：基于统计学习方法的德国与意大利年轻人食物选择影响因素研究
查看原文
2025
Meat Science
中科院一区JCR一区
Massimo Peri, Maria Teresa Trentinaglia, Maximilian Adler, Anna Maria Zanaboni & Lucia Baldi
食品标签
畜肉 消费者偏好与接受度 市场细分与消费行为 问卷设计与实施计算机标签
随机森林 定量预测/回归分析本研究探讨了推动德国和意大利年轻人肉类消费变化的因素。德国和意大利是两个高收入国家，尽管拥有独特的烹饪传统，但近年来的肉类消费水平趋于一致。本研究有两个目标：考察环境态度在形成饮食选择中的作用，以及探讨社会人口因素对肉类消费模式的影响。分析采用了通用生态行为量表，这是一种强大的工具，可以全面评估作为影响行为的潜在特质的环境友好态度。同时辅以随机森林算法，这是一种有助于探索预测因素之间复杂非线性关系的机器学习算法。数据通过在线调查收集自580名18-30岁的受访者。结果显示，环境态度是饮食习惯的最强预测因素，其次是家庭构成。具有较高环境态度的德国受访者更有可能采用素食或纯素饮食，而受家庭动态影响的意大利受访者则倾向于以肉类为主或弹性素食饮食。这些发现强调了深入了解向弹性素食饮食转变的潜在动机的重要性，这可以作为欧洲未来肉类消费的典范。
-
追踪冷冻猪肉的营养和质量变化：一项为期12个月的研究，使用7类肉类参数和VIS/NIR光谱
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xi Tang, Hui Xiao, Ting Luo, Jiacheng Wei, Ruiqiu He, Junhui Duan, Shijun Xiao, Nengshui Ding, Lusheng Huang & Zhiyan Zhang
食品标签
畜肉 品质、结构与理化性质 生产管理与数字化工厂 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
机器学习/统计学习 随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据冷冻猪肉存量对于稳定粮食安全和价格至关重要，但评估冷冻期间的营养和物理化学变化仍具挑战性。本研究对50头猪的长轴肌进行了为期12个月的冷冻储存实验，在−20°C下进行，量化了7个类别中62项肉质成分的变化，包括解冻损失、肌红蛋白、脂肪酸、氨基酸和劣化指标。Prophet模型表明，猪肉在适当冷冻下可保持良好品质1至2年，4年后出现明显劣化。跨维度的表型相关揭示了关键相互作用和异常，如花生四烯酸（C20：4n6）和蛋氨酸（Met）偏离各自簇。利用VIS/NIRS和九种机器学习算法，存储时间分类模型在SpecimIQ传输光谱和AdaBoost下实现了85.8%的准确率。这些发现展示了VIS/NIRS在食品安全和加工领域的潜力，为精确的储存时长识别提供了实用解决方案，并为管理冷冻猪肉储备提供了宝贵见解。
-
赋能知情选择：计算机视觉如何帮助消费者做出肉类质量决策
查看原文
2025
Meat Science
中科院一区JCR一区
Guilherme L. Menezes, Dante T. Valente Junior, Rafael E.P. Ferreira, Dario A.B. Oliveira, Julcimara A. Araujo, Marcio Duarte & Joao R.R. Dorea
食品标签
畜肉 质构与流变性质 颜色与外观品质 其他品质相关性质 消费者偏好与接受度 过程监测与在线检测 显微与成像技术计算机标签
其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 大规模数据集消费者常常发现评估肉类感官质量具有挑战性，这受到嫩度和肌内脂肪的影响。本研究旨在开发一种使用智能手机图像的计算机视觉系统，用于对牛肉和猪肉排的嫩度进行分类（1），预测剪切力和肌内脂肪含量（2），并对消费者评估与该方法输出进行比较评价（3）。数据集包括924块牛肉和514块猪肉排（每块一张图像）。我们训练了用于图像分类和回归的深度神经网络。模型在将牛肉分类为嫩肉时F1分数达到68.1%。将数据集重新分类为“嫩”和“硬”后，识别嫩肉的F1分数提高到76.6%。对于猪腰肉嫩度，模型F1分数达到81.4%，重新分为两类后略微提高到81.5%。预测牛肉剪切力和肌内脂肪的回归模型R²值分别为0.64和0.62，均方根预测误差分别为16.9 N和2.6%。对于猪腰肉，神经网络预测剪切力的R²值为0.76，RMSEP为9.15 N；预测肌内脂肪的R²值为0.54，RMSEP为1.22%。在1000次配对比较中，神经网络正确识别更嫩牛肉的比例为76.5%，而人类评估的准确率为46.7%。这些发现表明，CVS可以提供一种更客观的方法在购买前评估肉类嫩度和肌内脂肪，可能提高消费者满意度。
-
应用机器学习优化生物标志物组合并指导肉类真实性鉴定的决策
查看原文
2025
Meat Science
中科院一区JCR一区
Lucille Rey-Cadilhac & Sophie Prache
食品标签
畜肉 品质、结构与理化性质 食品安全与风险评估 理化与结构表征计算机标签
随机森林 智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 质构/流变/感官数据本文测试了两种机器学习方法（决策树和随机森林模型）在肉类真实性鉴定中的相关性。决策树能够根据各自区分能力选择和排序潜在生物标志物，优化它们的组合，并指导根据生产系统对样本进行分类的决策，这些方面迄今研究不足。随机森林模型也被开发，因为它们特别稳健。我们将这两种方法应用于一项实验中测量的不同组织（肾周脂肪、背脂和最长胸腰肌）上的19种化合物/变量，该实验使用屠宰前在苜蓿牧场育肥四种不同时长的Romane公羊（每组34-36只羔羊）。我们构建了几个决策树/随机森林模型，包括在屠宰场/销售点相对容易进行的测量，或需要实验室分析的测量。决策树/随机森林模型将牧场育肥羔羊胴体与舍饲羔羊区分开来，准确率高达95.1-95.7%，并显示肾周脂肪粪臭素和肾周脂肪类胡萝卜素色素含量（在19个变量中）在分类中发挥了突出作用。为销售点使用设计的决策树/随机森林模型基于背脂分光色度特性和最长胸腰肌颜色坐标，达到了84.3-85.4%的准确率。这是首次使用决策树进行肉类真实性鉴定的研究，分类决策的阈值可能需要在更大的数据库上进一步验证。然而，这些发现为决策树在真实性鉴定中的广泛应用提出了前景。
