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 712 条结果
-
模拟冲洗条件下饮料的紫外/可见吸光度趋势及数据驱动预测模型的开发
查看原文
2023
Food Control
中科院一区JCR一区
Daniella Saetta, Kristina Buddenhagen, Wenny Noha, Eric Willman, & Treavor H. Boyer
食品标签
饮料 过程控制与数字化 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析饮料生产过程中的用水管理需兼顾食品安全、产品品质与环境责任，实现三者的精细平衡。换味工序间的设备冲洗环节，是提升水资源利用效率的重要切入点。本研究针对 20 种饮料，分别测定了其原液及稀释液（稀释倍数范围为 2 倍至 5000 倍）的紫外 - 可见（UV/Vis）吸收特性，以此模拟设备冲洗过程中的残留检测场景。研究证实，紫外 - 可见吸收检测法稳定性强，可精准识别冲洗水中的饮料残留组分；同时该检测法灵敏度高，对绝大多数饮料的检出下限可达 1000 倍及以上稀释浓度。相较于电导率检测法，紫外 - 可见吸收检测法对多数稀释样品的灵敏度更优，且其检测精度足以覆盖各类饮料的嗅味阈值范围。研究进一步采用机器学习算法，构建了基于产品配料成分与稀释倍数的紫外 - 可见吸收特性预测模型。本研究结果表明，可通过部署在线紫外 - 可见吸收传感器，对饮料生产中的冲洗及其他工序进行实时监测与精准调控，从而实现水资源利用的最优化。
-
基于大数据和机器学习的大中华区食品安全公众舆论分析
查看原文
2023
Current Research in Food Science
中科院一区JCR一区
Haoyang Zhang, Dachuan Zhang, Zhisheng Wei, Yan Li, Shaji Wu, Zhiheng Mao, Chunmeng He, Haorui Ma, Xin Zeng, Xiaoling Xie, Xingran Kou & Bingwen Zhang
食品标签
食品安全与风险评估计算机标签
机器学习/统计学习 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据互联网上包含大量关于食品安全的公众意见，其中包括对食品掺假、食源性疾病、农业污染、食品流通不规范以及食品生产问题的看法。为了系统地收集和分析大中华地区的食品安全公众意见，我们开发了IFoodCloud，该平台能自动从3100多个公共来源收集数据。同时，我们结合IFoodCloud，利用多种基于词典和基于机器学习的算法构建了情感分类模型，为理解公众对特定食品安全事件的情感提供了前所未有的快速方法。我们最优模型的F1分数达到0.9737，这表明其具有出色的预测能力和稳健性。借助IFoodCloud，我们分析了大中华地区公众对食品安全的情感以及2019年冠状病毒病疫情初期公众意见的变化趋势，展示了大数据和机器学习在促进风险沟通与决策方面的潜力。
-
基于机器学习虚拟筛选发现昆虫几丁质降解酶多靶点抑制剂
查看原文
2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Yi Ding, Sizhe Chen, Huan Liu, Tian Liu, & Qing Yang
食品标签
玉米 咖啡饮料 化学污染物 营养与生物功能 转录组学 其他特殊成分计算机标签
机器学习/统计学习 设计/生成与推荐 组学数据 合成/仿真数据为主昆虫几丁质降解酶的多靶点抑制剂是绿色杀虫剂的重要候选来源。机器学习作为新兴虚拟筛选方法，可加速候选化合物发现并降低成本。本研究利用前期高通量筛选数据，建立整合机器学习和分子对接的筛选策略，从 17600 个天然产物组成的大型化合物库中筛选亚洲玉米螟四种几丁质降解酶 OfChtI、OfChtII、OfChi-h 和 OfHex1 的新型多靶点抑制剂。研究识别出 3,5-二-O-咖啡酰奎宁酸和 γ-倒捻子素，它们均可抑制上述四种酶，Ki 值达到微摩尔水平，并对鳞翅目害虫表现出显著生物活性。对化合物处理昆虫的转录组分析进一步提示，这些化合物与几丁质降解酶之间存在生理关联。该研究展示了机器学习在杀虫剂发现中的潜力，并为昆虫几丁质降解酶多靶点抑制剂提供了新型、低成本的先导骨架。
-
利用多组学分析和机器学习揭示黄龙病影响柑橘品种中植物代谢与植物相关细菌的相互作用
查看原文
2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Jingwen Li, Fred G. Gmitter, Boce Zhang, & Yu Wang
食品标签
新鲜水果 肠道健康与微生物相关功能 代谢组学 微生物组/宏基因组学 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 组学数据黄龙病是全球柑橘产业中高度破坏性的病害，会造成显著经济损失且目前尚无有效治愈方法。然而，柑橘植物形成的微生物组可能作为病害拮抗因子，提高对黄龙病的耐受水平。本研究建立了不同柑橘品种非靶向代谢组学和微生物组学数据的整合分析框架，为理解黄龙病发展过程中植物代谢与植物相关细菌之间的相互作用提供了关键见解。研究采用机器学习模型在多种柑橘材料中筛选重要代谢物和细菌，并进一步分析所选代谢物，以识别植物中富集的关键通路并与所选细菌进行关联。结果表明，植物通路调控，尤其是 ABC 转运蛋白、泛醌及其他萜类-泛醌生物合成通路，可能影响微生物群落结构。这些发现提示，可通过调节柑橘植物中的细菌或培育耐受性柑橘品种，为黄龙病控制提供潜在解决方案。
-
计算机视觉系统在屠宰场肉类安全保障中的应用：系统性综述
查看原文
2023
Food Control
中科院一区JCR一区
Marianne Sandberg, Sergio Ghidini, Lis Alban, Andrea Capobianco Dondona, Bojan Blagojevic, Martijn Bouwknegt, Len Lipman, Jeppe Seidelin Dam, Ivan Nastasijevic, & Dragan Antic
食品标签
肉类/蛋类与水产品 食品安全与风险评估 显微与成像技术计算机标签
机器学习/统计学习 可见光/RGB/视频数据2017-2019 年，欧盟出台新版食品生产官方监管法规，准许将计算机视觉系统（CVS） 作为辅助工具，应用于牛、猪、家禽的肉类检疫工作。本研究开展了一项系统性文献综述，旨在筛选并分析有关屠宰场中计算机视觉系统性能的相关文献 —— 这些系统主要用于动物宰前、宰后兽医检疫及肉类安全保障，涵盖胴体 / 器官污染与病变的检测系统。本次综述共筛选并分析了 62 篇文献，其中 35 篇报道了计算机视觉系统在胴体 / 器官病变检测中的性能，27 篇涉及胴体污染检测相关研究。从适用对象来看，针对肉鸡胴体及器官安全保障的计算机视觉系统相关文献有 53 篇，针对猪肉与牛肉的则分别为 5 篇与 4 篇。研究发现，并非所有已研发的计算机视觉系统都完成了有效性验证，仅有 3 篇文献报道了屠宰场场景下系统性能与官方兽医检疫表现的实时比对结果。文献记载的多数计算机视觉系统性能指标（即灵敏度与特异性）均高于 80%。对于食品生产企业而言，检测病变与胴体污染时的高特异性（即低假阳性率）至关重要，这有助于最大限度减少食品浪费；而高灵敏度（即低假阴性率）则是生产健康安全肉类产品的核心要求。目前，已有的针对肉鸡胴体及器官全面安全保障所开发的计算机视觉系统，虽表现出极高的灵敏度，但特异性仍未达到最优水平，这表明相关系统仍需进一步研发与优化。
