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 187 条结果
-
用于智能手机辅助比色和电化学监测孔雀石绿残留的策略性设计磁性FeMICuMOFs
查看原文2025
Food Chemistry
中科院一区JCR一区Zhongrui Ma, Xiao Luo, Yang Liu, Huiwen Gu, Xiaoli Yin, Xianzhu Meng & Ying Chen
食品标签
其他肉与水产品 化学污染物 显微与成像技术 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据快速且准确地检测水产品中的孔雀石绿(MG)残留,对食品安全和公众健康至关重要。在此,我们通过自支撑分子印迹策略精心研发了一种多功能FeMICuMOF材料,并评估了其在MG的电化学检测及与智能手机集成的比色检测中的应用。该设计将Fe3O4内核与铜基MOF涂层相结合,具有针对MG的特异性结合位点。它通过磁分离简化了操作并减少了复杂基质的干扰,同时借助电化学活性和催化活性实现了双模信号转导。MG的存在会通过特异性识别显著影响FeMICuMOF的电化学活性和催化活性,从而能够根据其浓度进行准确量化。我们的方法展现出优异的分析性能,具有较低的检测限,且适用于复杂样品,与智能手机的集成使其能够实现现场检测。这种智能材料和传感方案在食品安全和环境监测方面显示出巨大潜力。
-
基于视觉变换器和多尺度卷积融合,在自然污染花生中检测黄麴毒素
查看原文2025
Food Chemistry
中科院一区JCR一区Cong Wang, Yifan Zhao, Hongfei Zhu, Weiming Shi, Qiong Wu, Huayu Fu & Zhongzhi Han
食品标签
豆类与坚果(及籽类) 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 模型轻量化/边缘计算 分类/鉴别/等级评定 红外/拉曼光谱数据黄麴毒素是一种高毒性物质,存在于花生中,对人体健康构成严重威胁。为解决这一问题,提出了一种改进的1D-MCFViT模型,结合视觉变换器与多尺度卷积融合,用于在自然条件下检测黄麴毒素污染的花生。数据清理后,获得了RGB图像中无法区分的采样,并提取了其光谱曲线。数据生成采用自编码器网络和高斯重采样技术,显著提升了模型的特征辨别能力。该方法在验证集上实现了92.6%的准确率和94.4%的召回率,比1D-ViT模型提高了1.23%的准确率。比较了传统机器学习和深度学习模型在数据生成前后的表现,证明该方法优于传统机器学习模型以及主流深度学习模型。这种方法提高了黄麴毒素检测的准确性,并为开发在线检测设备奠定了坚实基础。
-
利用机器学习的紫外-可见-近红外光谱检测和定量牛奶和水牛奶中的甲醛掺假
查看原文2025
Food Chemistry
中科院一区JCR一区Delinka Genoveva Rosa, Vishant V. Malik, Lalchand B Patle, Jivan S. Parab & Madhusudan G. Lanjewar
食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据这项工作利用紫外-可见-近红外光谱(200–1700 nm)、光谱预处理、主成分分析(PCA)和机器学习(ML)来识别和量化牛奶和水牛奶中的福马林掺假情况。福尔马林的添加量不同,浓度分别为0.5%、1.0%和最高50.0%。分析在三种情景下进行:母牛、野牛及组合。谱数据集被分为训练集、验证数据集和测试集。回归建模得出确定系数(R2)为0.998–0.999,均方根误差(RMSE)为0.16–0.80,RPD值为80.13–182.79。进行了省略一省交叉验证(LOOCV)(R2= 0.999,RMSE范围在0.24到0.476之间。分类准确率在73.0%至100.0%之间波动,情景I、II和III的五次交叉验证平均准确率分别为92.9%、90.0%和82.2%。这一结果表明,可能建立一个实用、实时且无损的牛奶质量评估系统。
-
用于食品安全分析的便携式设备与机器学习辅助侧流分析:进展与展望
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ying Wang, Minglu Wang, Jiarui Cui & Hongyan Zhang
食品标签
食品安全与风险评估 微生物安全 化学污染物 过程监测与在线检测计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据背景:摄入受细菌等生物危害、化学危害和环境污染物的食品会导致重大公共卫生问题。侧流分析(LFA)技术便于视觉获取定性结果,已得到广泛应用,尤其在资源有限的环境中。对于即时检测应用而言,必须准确定量分析物浓度并确保检测结果的可靠性。因此,迫切需要能够定量评估LFA结果的合适诊断平台。
范围与方法:本综述全面分析了LFA中常见信号的测量原理和发展趋势,深入探讨了LFA对各种便携式、快速、微型化及智能手机集成设备的适应性和优势。此外,特别探讨了机器学习与智能LFA平台设备的集成,以提升食品安全管理理论框架的智能化和效率。在强调智能平台辅助LFA在食品安全监测中益处的同时,我们也批判性分析了该领域当前的挑战和未来方向。
主要发现与结论:集成机器学习辅助LFA的智能平台,能有效提升LFA的检测灵敏度和稳定性,实现对食源性危害的快速、定量和灵敏检测,应对快速食品安全监测及其实际应用中的重大挑战。预计该技术将持续发展,并成为全球应对食品安全问题的重要工具。 -
便携式和手持式高光谱成像用于磨碎马铃薯片中的丙烯酰胺无损预测
查看原文2025
Food Control
中科院一区JCR一区Fernandesca Bruno, Puneet Mishra, Ben Davies, Keith Stuckrodt & Albert Efird
食品标签
马铃薯 饼干/薄脆制品 化学污染物 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据最常见的食品中丙烯酰胺检测分析方法成本高、耗时且具有破坏性,因此不适合食品制造过程中的过程控制。高光谱成像(HSI)为实时检测丙烯酰胺提供了一种有前景的无损替代方案。本研究调查了两种便携式 HSI 系统(一个便携式高光谱相机和一个全合一光谱成像(ASI)装置,捕获400-1000 nm范围的图像)用于马铃薯片中丙烯酰胺预测的可行性。使用 HSI 数据开发的预测模型与通过高端傅里叶变换红外(FTIR)光谱仪获得的模型进行比较,显示出更好的预测性能。然后,在更大的样本集上评估了 HSI 系统,并进一步在低丙烯酰胺含量的商业薯片独立样本集上进行了测试。在中等丙烯酰胺水平(<3000 μg/kg)范围内校准的偏最小二乘回归(PLSR)模型实现了校准均方根误差(RMSEC)为314.5 μg/kg(r = 0.9)和预测均方根误差(RMSEP)为466 μg/kg(r = 0.2)。识别了6个关键波长带,并用于构建RMSEC为267.9 μg/kg(r = 0.9)和RMSEP为312.7 μg/kg(r = 0.9)的模型。这些结果表明,便携式和手持式 HSI 系统可用作快速无损技术来预测马铃薯片中的丙烯酰胺。