01 / 01

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
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 利用牛奶光谱和机器学习预测荷斯坦奶牛产后疾病——从诊断日期的回顾性评估

    2025
    Journal of Dairy Science
    中科院一区
    JCR一区
    查看原文

    D. Lin, J. Li, J.A. Seminara, & J.A.A. McArt

    食品标签

    液态乳 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归

    计算机标签

    偏最小二乘法 随机森林 智能手机/其他 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集

    奶牛在泌乳初期通常会遭遇健康问题。尽管傅里叶变换红外(FTIR)光谱技术提供了一种无需侵入且经济高效的分析牛奶成分的方法,但其在预测后续泌乳初期疾病方面的潜力尚未得到充分探索。本研究旨在揭示奶牛乳汁 FTIR 光谱在预测纽约州卡尤加县一家商业奶牛场 1162 头荷斯坦奶牛产后疾病方面的能力。我们每天在泌乳初期栏中采集奶样,并将牛奶在 4°C 下保存,直至通过 FTIR 光谱分析。通过 30 天泌乳末期(DIM)对奶牛进行监测,并将其分为健康(n = 825;无不良健康事件)或患病(n = 311;诊断为临床酮病、子宫炎、胃瘫或乳腺炎,或这些病症的任意组合)两类。我们使用回归、机器学习和深度学习方法对乳汁 FTIR 光谱数据进行了建模,以预测在诊断日期前 8 个不同时间段内的疾病(>10 天、10-8 天、7-6 天、5-4 天、3 天、2 天、1 天和 0 天)。模型性能通过重复下采样双交叉验证框架和排列检验进行评估。我们的研究结果表明,与脂肪、蛋白质和乳糖的吸收峰相关的光谱区域的逐步变化与疾病进展相关,从而导致受检者工作特征曲线(AUROC)的平均值从诊断前 10 天的 0.50 增加到诊断前 1 天的 0.72 以及诊断当天的 0.76,所有模型类型均如此。使用牛奶傅里叶变换红外光谱进行的部分最小二乘判别分析(PLS-DA)模型在诊断前 7 天的平均 AUROC 为 0.71,优于基于奶牛级特征(0.62)或结合光谱预测的牛奶主要成分(0.67)的模型。在光谱模型中,PLS-DA 达到了最高的平均 AUROC(0.74),其次是长短期记忆(0.72),超过了岭回归(0.71)和随机森林(0.69)。这些发现强调了使用牛奶傅里叶变换红外光谱来预测早期泌乳期荷斯坦奶牛即将出现的健康状况的有效性,但还需要更广泛的评估来评估其通用性和农场实用性。

  • 保形预测器在中红外食品掺假化学计量学研究中的应用:预测不确定性的量化

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Ozren Jovic

    食品标签

    其他复合食品 光谱/色谱/质谱等分析方法 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 红外/拉曼光谱数据

    本研究介绍了保形预测回归在掺假食品中红外光谱数据集上的一种新颖应用。研究分析了两个数据集,并使用归一化归纳非一致性函数对12个高精度基础模型进行了测试。在所有情况下,在99%的置信水平下,与绝对残差相比,使用归一化非一致性函数获得的误差幅度显著更低,平均降低了32.1%,且不会损失任何有效性。在所有研究案例中,生成的误差幅度与基础模型的准确性之间存在显著的正相关(p < 0.05),且这种相关性与设定的置信水平无关。基于本研究的发现,建议使用一种稳健的解决方案,该方案涉及多个组合的归一化保形预测器,并在每种情况下选择具有最佳效率的预测器,用于利用中红外数据对掺假进行定量测定。保形预测器可以作为每个单独测试样本在振动光谱学中准确性的定量估计器。

  • 通过光谱成像和神经网络先进评估草莓品质、消费者偏好及品种鉴别

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Salvador Castillo-Girones, Jos Ruizendaal, Xiomara Salas-Valderrama, Sandra Munera, Jose Blasco & Gerrit Polder

    食品标签

    新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法

    计算机标签

    支持向量机 梯度提升决策树 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 大规模数据集

    草莓是最受欢迎的水果之一。要满足市场对高品质、风味佳品种日益增长的需求,必须了解消费者的偏好。准确预测这些偏好、评估品质并防止食品欺诈,对育种者和销售者至关重要。本研究利用可见-近红外光谱成像(光谱范围400-1000 nm)和人工神经网络,探索了对17个草莓品种的品质、荷兰消费者接受度进行预测及品种鉴别的方法,此研究尚属首次。共使用了3564个样本。评估了三种算法:支持向量机、XGBoost和多层感知器(MLP),用于预测品质参数、消费者接受度和品种鉴别。MLP模型表现出最高的精度,对总可溶性固形物、可滴定酸度、咬感和总体消费者接受度的预测R²值分别为0.85、0.81、0.76和0.78。在品种鉴别方面,MLP模型的F1分数达到0.84。这些发现凸显了人工神经网络在提升产品质量评估、防止食品欺诈以及使产品更符合消费者偏好方面的潜力。

  • 改善营养和感官目标:利用可解释机器学习和多目标优化优化桂花提取物质量

    2025
    Food Frontiers
    中科院一区
    JCR一区
    查看原文

    Qinle Huang, Zhangtie Wang, Binhai Shi, Guoliang Jie, Songbai Liu, Fuli Nie, Fan Wang, Zhenjiang Zhou, Siyu Chen, Jianfu Shen, Baiyi Lu

    食品标签

    香精香料 品质、结构与理化性质 其他植物化学物质 物理辅助加工 其他理化与结构表征

    计算机标签

    智能手机/其他 支持向量机 梯度提升决策树 过程控制与实时优化 质构/流变/感官数据

    桂花提取物(OFE)在饮料和化妆品行业中具有显著的应用潜力。然而,OFE 的常规提取过程会受到多种因素的影响,这使得难以确定能够协同优化以获得不同品质参数的参数组合。本研究旨在建立一种超声辅助提取桂花变种(O. fragrans var. thunbergii)的多目标优化(MOO)方法。通过响应面方法和机器学习算法,比较了时间、温度、超声功率和固液比对产率、总苯乙醇苷含量、薄荷苷和山梨糖醇苷含量以及色度参数的影响。多层感知器、XGBoost 和支持向量回归被评估为构建集成模型的基础模型,使用 SHAP 算法进行解释。基于 BP-ANN 和 NSGA-II 的 MOO 方法被开发出来,以最大限度地提高提取物中活性化合物的含量,同时考虑其他质量指标。针对目标质量属性的最佳条件确定为:温度 54℃、提取时间 52 分钟、固液比 16 毫升/克以及超声功率 345 瓦。本研究提供了一种将人工智能和多目标优化相结合的全新方法,用于植物提取过程的优化。

  • 短波红外高光谱成像结合机器学习在新鲜香菜冷害检测中的应用

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Navavat Pipatsart, Mutita Meenune, Apirak Hoonlor, Nuttawee Niamsiri, Napassorn Punyasuk, Stefan Mairhofer & Sittiwat Lertsiri

    食品标签

    新鲜蔬菜 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素

    计算机标签

    卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据

    香菜在低温运输和冷藏保鲜过程中极易发生冷害,导致品质劣变。这种冷害在早期阶段难以察觉,因此需要快速准确的检测方法。本研究展示了短波红外高光谱成像技术结合机器学习在香菜质量控制中的应用。在评估机器学习算法对冷害的有效分类之前,先进行了SWIR区域相关波长的选择。通过与水分、总叶绿素和颜色等传统测量方法进行比较,探索了SWIR-HSI对早期冷害的检测能力。值得注意的是,SWIR-HSI在冷藏7天后即能检测到早期冷害,而传统测量方法则需要14天才能观察到。此外,通过SWIR-HSI应用识别了不同种植批次香菜的挥发性有机化合物谱差异,结果与气相色谱-质谱分析一致。这些发现表明了SWIR-HSI结合机器学习作为快速准确判定香菜品质技术的潜力。在所测试的K近邻、支持向量机、随机森林分类器、多层感知机和卷积神经网络等机器学习算法中,CNN结合基于CNN的波长选择在早期冷害分类中表现最佳,准确率达到94%。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号