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 108 条结果
-
走向智能酿酒系统(IOS):从自动感应到酿酒中的主动控制
查看原文2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Guangyi Yang, Xiaohua Ma, Xinlong Chen, Qianxin Liu, Yongsheng Tao, & Xuebing Bai
食品标签
酒精饮料 过程监测与在线检测 过程优化与控制策略 发酵工艺与动力学计算机标签
机器学习/统计学习 模型可解释性 过程控制与实时优化 多模态/融合数据 时序传感器/物联网数据智能传感、人工智能(AI)和控制技术的整合正在将传统酿酒转变为更加数据驱动和响应敏捷的过程。本文提出了智能酿酒系统(IOS)的概念,并对最近智能酿酒技术的发展进行了评论,重点关注涉及物联网(IoT)设备、传感器网络和基于AI的建模的技术。主要创新包括部署多模态传感器,以在从葡萄浸渍到葡萄酒陈酿的各个阶段实时监测温度、pH值、溶解氧、光谱信号和气体生成。机器学习和数字孪生模型的进步支持对发酵过程的预测控制,而强化学习和逆向设计框架则能够实现面向特定风味目标的数据驱动决策。这些技术有助于提高工艺精度、减少资源消耗并增强产品一致性。然而,数据互操作性、模型可解释性和系统集成等挑战仍然限制了其广泛应用。涉及边缘计算和标准化数据本体的新兴解决方案正在帮助解决这些问题。通过将智能酿酒与可持续性、可追溯性和个性化口味目标相结合,本综述突出了其对葡萄酒产业未来的变革潜力。
-
稀有微生物类群作为酱香型白酒发酵产量差异的潜在驱动因素:来自微生态学和机器学习的见解
查看原文2026
International Journal of Food Microbiology
中科院一区JCR一区Shuai Li, Liang Yang, Hai Du, Shuyi Qiu, & Yan Xu
食品标签
酒精饮料 特征风味 常规理化指标测定 发酵工艺与动力学计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析酱香型白酒的多轮固态发酵过程表现出白酒产量的显著波动。然而,产量变化的微生态因素及其调控策略仍不清楚。在本研究中,我们系统地检查了第1轮到第7轮的微生态结构和理化参数,以解释产量变化。稀有微生物类群,尤其是始终稀有类群(ART)和条件性稀有类群(CRT),在塑造微生物网络和群落组装中发挥了关键作用。此外,稀有微生物如地衣芽孢杆菌(Lentibacillus)和假单胞菌属(Pseudomonas)表现出与丰度较高微生物如醋酸菌(Acetobacter)和假丝酵母(Zygosaccharomyces)(SF:65.83%,PF:61.89%)明显不同的生态位分割,从而协同促进了白酒产量的变化。此外,开发了一种堆叠集成模型,并将其集成到用于产量预测的交互式网页平台中,其准确性和泛化能力均高于单一算法(R² = 0.80 - 0.86;误差 = 6.34%)。SHAP(Shapley加性解释)可解释性分析进一步阐明,高产批次主要受益于酒糟中乳酸含量低(<5.10 mg/g)和酸度低(<3.33 mg/g),而低产批次则受到淀粉不足(<13.23%)和水分过低(<43.82%)的限制。本研究揭示了稀有微生物在产量变化中的关键生态作用,并提出了一种用于发酵控制的人工智能模型。
-
BTPM:基于 B 模式超声图像面向屠宰线分级的背膘厚度自动预测轻量化双分支框架
查看原文2026
Food Control
中科院一区JCR一区Xinmiao Li, Jingxuan Qiu, Caiyun Liu, & Xin Wang
食品标签
畜肉 质构与流变性质 物理辅助加工 显微与成像技术 质构与流变测试计算机标签
图像分割网络 模型可解释性 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据准确、快速测量背膘厚度对于猪胴体客观分级十分重要。本研究提出 BTPM,一种基于 B 模式超声图像自动预测背膘厚度的轻量化深度学习框架。该方法首先利用 U-Net 精确分割背膘区域,随后采用双分支特征提取网络。一个分支使用深度可分离卷积和挤压-激励注意力模块,从分割区域中分层提取具有判别力的纹理特征;另一分支直接从掩膜计算紧凑几何描述符。这些特征融合后通过 MLP 头进行回归,以估计背膘厚度。在专用数据集上的评估显示,BTPM 的 RMSE 为 1.184 mm,MAPE 为 4.37%,R2 为 0.943。模型在最常见背膘厚度范围 T1-T4 内表现稳健且准确,该范围覆盖 81.2% 样本,MAE 为 0.636-0.986 mm。Bland-Altman 分析确认其与人工测量高度一致。关键的是,模型在高准确性的同时实现 117.49 FPS 的高推理速度,显示出实际效率。Grad-CAM 可视化进一步表明,模型关注 B 模式图像中与背膘相关的区域,支持其预测可解释性。结果表明,BTPM 在实验室条件下可为背膘厚度评估提供准确高效的方法,其设计特征也提示其有望用于屠宰线操作,但仍需进一步验证。
-
基于深度学习辅助的便携式拉曼光谱技术对虾中甲醛掺假的快速无损检测
查看原文2025
Food Chemistry
中科院一区JCR一区Chencheng Wei, Jiheng Zhang, Gaozheng Li, Yi Zhong, Zhaoting Ye, Handong Wang, Kezhi Li, Yuanzi Wu, Yuezhong Wu, Heng Luo, Qi Sun & Zuquan Weng
食品标签
甲壳类 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 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据甲醛(FA)是一种已知的致癌物,偶尔会被非法用作海鲜的防腐剂,而传统的甲醛残留检测方法往往无法满足无损检测的实际需求。在本研究中,我们开发了一种无需样品预处理、将便携式拉曼光谱仪与InceptionTime深度学习模型相结合的方法。该模型通过对虾表面的甲醛阴性和甲醛阳性拉曼光谱数据进行训练,在5毫克/千克(主要安全检测阈值)和100毫克/千克(滥用水平污染阈值)的检测阈值下,准确率分别达到84.40%和85.17%。代谢组学分析和权重可视化表明,该模型特别关注与特定氨基酸和虾青素结合蛋白相关的拉曼峰。此外,还发现两种氨基酸代谢物——硫代肉碱和棘肌碱是甲醛添加的直接指标。我们的模型为实时和现场甲醛检测场景提供了一种可现场部署且实用的方法。
-
人工智能赋能的细胞农业:多尺度建模、过程优化及未来方向
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Wenli Gao, Runnan Bai & Shengjie Ling
食品标签
细胞培养肉 品质、结构与理化性质 可持续性与资源高值化 过程控制与数字化 统计建模与仿真计算机标签
机器学习/统计学习 模型可解释性 强化学习 定量预测/回归分析 过程控制与实时优化 设计/生成与推荐 模拟与数字孪生 时序传感器/物联网数据 多模态/融合数据背景:细胞农业为全球粮食生产难题提供了变革性解决方案,尤其在降低环境影响、改善动物福利以及保障粮食安全方面优势显著。然而,生物系统本身存在的多尺度相互作用、数据异质性以及工艺优化低效等复杂问题,制约了细胞农业的规模化发展。人工智能(AI)凭借可在细胞农业全产业链实现自适应、跨尺度建模与优化的能力,正逐渐成为攻克上述难题的核心工具。
研究范围与方法:本文综述了人工智能在细胞农业领域的各类应用,涵盖分子工程、培养基优化、生物反应器实时监测以及感官特性预测等方向。重点阐释了机器学习模型、强化学习、数字孪生系统等人工智能技术,如何为行业规模化瓶颈提供解决方案、提升产品品质并提高生产效率。同时探究了多模态数据流融合在破解跨尺度难题中的作用,为人工智能融入细胞农业体系构建了全新研究框架。
主要研究发现与研究意义:人工智能的应用正推动细胞农业领域发生颠覆性变革,使其从传统经验式、试错式发展模式,转向智能化、数据驱动型发展体系。人工智能不仅能够精准优化细胞生长条件、组织成型过程与食品感官特性,还可助力打造可预测、可规模化、可定制化的粮食生产方案。文章剖析了当前存在的数据标准化、模型可解释性、多模态融合等现实挑战,并提出未来发展策略,旨在为新一代粮食生产构建稳定可靠、可解释的人工智能应用体系。