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
-
一种微流控纸质荧光传感器,集成智能手机平台,实现现场快速检测氧化乐果农药
查看原文2025
Food Chemistry
中科院一区JCR一区Shuai Li, Jingkai Zhao, Junfeng Wu, Ling Wang, Chuanan Yao, Jiandong Hu & Hao Zhang
食品标签
化学污染物计算机标签
智能手机/其他 深度学习 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据本文研发了一种将荧光微流控纸基试纸与便携式智能手机传感平台相结合的新型方法,用于快速、灵敏地检测氧化乐果农药。该微流控纸基试纸的检测机理基于氧化石墨烯(GO)对花菁3(Cy3)标记适配体(Cy3-APT)的荧光猝灭效应。当体系中存在氧化乐果时,Cy3标记适配体从氧化石墨烯表面脱离,荧光信号显著恢复,可通过智能手机传感平台实现可视化检测。利用内置预训练卷积神经网络模型的自研应用软件对图像进行分析,在氧化乐果浓度0~50纳摩尔每升范围内,回归系数高达0.9964。该智能手机检测平台可在10分钟内实现实际样品中氧化乐果农药的现场快速检测,检测结果与标准检测方法具有良好的一致性。综上,所构建的微流控纸基荧光传感器结合智能手机传感平台,有效提升了对有机磷农药的检测性能。
-
超灵敏、智能的食品安全监测平台:利用自组装的SERS底物和机器学习,无标签检测非法添加剂
查看原文2025
Food Chemistry
中科院一区JCR一区Chunjuan Yang, Shuang Jiang, Yue Zhao, Li Zhang, Xiaoming Lyu, Shulu Zhang, Jiayue Liang, Yiyang He, Xubin Quan, Mingxu Zhang, Ran Gao, Renxing Song, Jing Wu, Chunli Gan, Yanli Wu, Xiaotong Wang & Yang Li
食品标签
化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据为克服食品安全监测中SERS的局限性,尤其是柠檬酸盐离子的显著干扰,本研究引入了一个基于SERS的智能食品安全监测平台。该平台利用硼氢化钠激活银纳米颗粒,钙离子可促进纳米颗粒的聚集,促进自组装和“热点”形成,同时放大柠檬酸盐离子信号。 碘离子的引入旨在消除柠檬酸盐信号和背景荧光干扰。底物达到了100 fg/mL的检测极限。此外,创新的光谱集“SERSome”实现了全面的分子指纹识别,显著提升了准确性。此外,结合机器学习提升了食品样本中快速精准检测和分类的应用性,并成功应用于食品中非法添加剂的监测。总之,该系统提供了一个智能且创新的食品安全检测平台,有助于早期预防食源性疾病。
-
基于投票模型加权算法驱动的多算法框架提升食用油安全智能即时检测效能
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Zhiqiang Li, Yating Hu, Wen Zhang, Qi Zhang, Peiwu Li & Xiaoqian Tang
食品标签
植物油 化学污染物 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
模型设计/优化策略 定量预测/回归分析 缺陷/异物检测与定位 可见光/RGB/视频数据食用油作为膳食脂肪的主要来源,常被邻苯二甲酸二丁酯(DBP)和苯并(a)芘(BaP)污染,构成重大食品安全隐患。为提高免疫检测在复杂油基基质中的准确性,我们开发了一种即时检测平台,该平台将双金属多孔碳纳米材料作为多功能信号探针,与基于投票模型加权算法驱动的多算法框架相结合。通过有机溶液配位结合高温热解衍生法,合成了多孔碳材料Zn-CN。随后,通过室温还原搅拌法将铂纳米颗粒引入Zn-CN制备出Pt-Zn-CN。该纳米材料兼具优异的光热性能与分散性,其大比表面积和多孔结构可高效实现抗体偶联与靶标富集。所得纳米探针作为多功能信号转换器,可显著增强抗原-抗体相互作用的识别与信号放大。该多算法框架通过仿生群体智能与自主决策机制实现高精度图像分割,在0.03秒内达到97.6%的轮廓识别率与95.7%的检测准确率。该平台可进行超快速预警,对DBP和BaP的检测限分别低至0.184 ng/mL与0.096 ng/mL。其友好的图形用户界面支持BaP和DBP的实时定量分析,为食用油安全提供直观的预警指示。
-
从农场到餐桌之外:海产品安全与质量的综合控制——人工智能相关的机遇与挑战
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Andrée De Cock, Marie Anne Eurie Forio, Henry H. Hansen, Liesbeth Jacxsens, Carl Lachat & Peter Goethals
食品标签
肉类/蛋类与水产品 微生物安全 化学污染物计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析海鲜是一种种类丰富且极具价值的营养来源,能够为全球范围内的健康饮食提供支持。然而,从水生生态系统中吸收的有毒化合物进入海鲜产品,再加上整个海鲜产业链中存在的食源性风险,对公众健康构成了全球性威胁。要有效管理海鲜危害并优化消费者健康,就需要超越传统的“从农场到餐桌”链条。本文旨在探讨一种“超越从农场到餐桌”的框架,阐述确保海鲜安全、高品质的关键要素。智能食品安全技术的最新进展借助人工智能(AI)来提升食品的安全性和质量。但目前,关于海鲜产业链内外与人工智能相关的应用,尚未形成一个综合性的视角。基于“超越从农场到餐桌”的框架,我们强调了在海鲜系统综合管控方面与人工智能相关的主要机遇和挑战。最后,我们在“超越从农场到餐桌”的各个层面,为人工智能的应用以及消费者健康提供了指导、生产法规和政策建议。我们的研究结果强调,在实现海鲜质量的综合管控过程中,海鲜生产的地点、环境条件以及消费者的个体特征之间存在着关键的相互作用。物联网、传感器、机器学习和区块链等与人工智能相关的技术,能够实现风险的早期检测、缓解和控制,减少污染物和食源性疾病带来的健康风险,同时提升营养质量。人工智能能够简化消费者的选择,使其既有利于个人健康,又有利于食品生产的可持续性。将可追溯系统和FAIR数据与人工智能的进一步发展相结合,能够赋予海鲜产业链相关方确保产品质量和保障消费者健康的能力。
-
利用近红外高光谱成像和化学计量分析薯片中的丙烯酰胺含量
查看原文2025
Food Chemistry
中科院一区JCR一区Carlos Miguel Peraza-Alemán, Ainara López-Maestresalas, Carmen Jarén, Jose Ignacio Ruiz de Galarreta, Leire Barandalla & Silvia Arazuri
食品标签
马铃薯 油炸食品 化学污染物 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱本研究探讨了近红外高光谱成像(NIR-HSI)在预测薯片中丙烯酰胺含量的潜力。分析了两种土豆品种(Agria和Jaerla)共300个块茎,这些块茎在两个季节内生长并采用相同油炸条件。采用偏最小二乘回归(PLSR)和支持向量机回归(SVMR),结合丙烯酰胺水平的对数变换,开发预测模型。PLSR最优结果为R2p:0.85,RMSEP:201 μg/kg,RPD:2.53,而SVMR为R。2p:0.80,RMSEP:229 μg/kg,RPD:2.22。此外,选择显著波长使变量减少了87.95%,且不影响模型准确性。最后,对外部验证集中的所有芯片进行了丙烯酰胺含量的空间映射。该方法既具量化功能,也具备可视化功能,从而增强加工马铃薯中丙烯酰胺鉴定的质量控制。