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 339 条结果
-
人工智能在面包制作中的应用:品质控制、配方优化与感官预测
查看原文2026
Food Chemistry: X
中科院一区JCR一区Marimuthu Murugesan, Prakash Pandurangan, Anitha Murugesan, Halan Senthilkumar & Krishnamurthy K. Hegde
食品标签
面包 质构与流变性质 感官科学与消费者研究 理化与结构表征计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 过程控制与实时优化 时序传感器/物联网数据烘焙行业正应用人工智能(AI),以数据驱动策略替代传统模式,提升品质预测、工艺优化与货架期预测的精准度。本文综述了人工智能(特别是机器学习算法,如人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)与深度神经网络(DNN))在面包制作及产品创新中的应用。借助AI模型,可深入分析配方、加工工艺与品质指标间的复杂相互作用,从而预测面包体积、 crumb结构、老化及腐败风险。利用AI优化配方,还能在不损失感官品质的前提下,生产高性价比、营养强化的产品。将AI与气相色谱‑嗅闻、质地轮廓分析、电子鼻/电子舌等先进技术结合,可在实际生产前实现更精准的感官预测。此外,AI与数字孪生、动力学模型及物联网系统的融合,可强化实时分析与运行效能,助力实现可持续生产、减少食品浪费,并开发个性化、健康导向的烘焙产品。
-
基于近红外光谱并结合理化与生物活性标志物的 AI 驱动多物种鲜肉和冻肉快速无损鉴别
查看原文2026
Food Control
中科院一区JCR一区Nayeem Mia, Md. Abul Hashem, Han-Sul Yang, & Jin-Kyu Seo
食品标签
畜肉 禽肉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 常规理化指标测定 其他植物化学物质计算机标签
深度学习 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据快速、准确识别肉类物种和贮藏状态,对于消费者保护、品质保障和肉类供应链防欺诈至关重要。本研究表明,近红外光谱可作为多类别肉类真实性鉴别的快速无损工具,能够捕捉物种差异和贮藏状态差异;这些差异通常需要耗时、成本高且依赖专业人员的理化、氧化、化学和生物活性分析才能评估。研究共采集牛肉、山羊肉和鸡肉 1200 份样品,在 700-1100 nm 范围内扫描,获得 12000 条近红外光谱。同时测定理化与氧化指标、化学组成以及脂肪酸、挥发性化合物和杂环芳香胺等主要生物活性化合物,用于验证近红外光谱的判别能力。冻肉表现出更高的 pH、脂质氧化、剪切力和蒸煮损失,并伴随红度下降。不同物种特异性的化学和生物活性谱进一步支持了分类潜力。主成分分析和非线性嵌入降维结果显示,各物种鲜肉与冻肉之间具有清晰可分性。机器学习模型整体准确率较高,其中逻辑回归和神经网络分类表现最好;由于光谱和生化特征重叠,新鲜山羊肉仍是最难区分的类别。学习曲线分析显示多数模型具有较稳健的泛化能力,集成模型和神经网络在更大数据集下受益更明显。决策边界可视化揭示了线性与非线性分类器的差异,以及集成平均带来的平滑效应。总体来看,近红外光谱与多类型参考标志物结合,可为肉类同步真实性鉴别提供高效、准确、无损的方法。
-
人工智能如何革新食品检测?视觉、嗅觉和味觉与机器学习/深度学习在食品检测中的整合
查看原文2026
Food Chemistry
中科院一区JCR一区Changhui Wei, Li Zhou, Buwen Liang, Jing Chen, Guoyi Wang, & Xinxing Li
食品标签
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 深度学习 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据 时序传感器/物联网数据 质构/流变/感官数据人工智能(AI)的快速发展正在深刻地改变食品检测的理论框架和技术范式。本研究重点阐明基于机器学习(ML)和深度学习(DL)的人工智能在特征提取、模式识别和决策反馈中的潜在机制。人工智能算法使计算机视觉、电子鼻和电子舌等感知系统能够克服对手工特征的依赖,实现复杂信号的自动学习和高维表征,从而显著提高检测的准确性和鲁棒性。此外,本文系统分析了人工智能驱动的感知技术的优势和局限性,并展望了多模态数据融合和大型语言模型(LLM)潜在应用的前景。最后,研究总结了人工智能在食品检测中仍然面临的主要挑战,并概述了未来发展的潜在方向。
-
使用掩码光谱进行黄曲霉毒素B1检测的自监督学习
查看原文2026
Food Chemistry
中科院一区JCR一区Wenwen Guo, Hongfei Zhu, Xianpeng Wang, & Zhongzhi Han
食品标签
玉米 豆类与坚果(及籽类) 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
深度学习 小样本学习 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据黄曲霉毒素是一种高度有毒的次级代谢产物,广泛存在于花生和玉米籽粒中。本研究提出了一种基于自监督学习(SSL)的策略,用于花生和玉米中黄曲霉毒素B1的精确检测。首先,构建了一个SSL主干网络,对掩蔽光谱执行光谱重建任务,为后续的监督学习提供预训练权重。其次,创新性地将光谱重建误差用作波长注意机制,并与SSL阶段微调的编码器相结合,以开发分类模型。该模型在花生中的平均准确率为0.9805 ± 0.0019,在玉米中为0.9478 ± 0.0060,优于其他深度学习模型。此外,还基于光谱重建误差选择了关键波长。实验结果表明,40个选定的关键波长优于其他方法,分布更加均匀,捕获了更丰富的光谱特征。本研究中的策略为少样本光谱检测提供了高效的解决方案。
-
近红外高光谱成像结合元素和同位素分析表征养殖鲑鳟鱼类的地理来源
查看原文2026
Current Research in Food Science
中科院一区JCR一区Dawei Sun, Li Li, Cui Han, Chengquan Zhou, Chen Li, & Hongbao Ye
食品标签
鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
深度学习 智能手机/其他 随机森林 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据高价值鲑鳟鱼类的地理溯源对于减少食品欺诈和保障产品真实性至关重要。本研究将近红外高光谱成像与元素和同位素分析相结合,以表征鲑鳟鱼类的地理来源信息并提高判别模型的可解释性。首先对光谱数据与元素、同位素数据进行皮尔逊相关分析以构建光谱指纹,随后分别利用全光谱和提取的光谱特征建立机器学习与深度学习模型,并进一步采用随机森林模型预测关键元素和同位素。结果表明,多种元素和同位素与约900、1000和1200 nm附近的光谱区域高度相关,这些区域反映了新鲜鲑鳟产品地理来源的重要光谱特征。所有判别模型均获得了可接受的总体准确率(大于65%),其中序列前向选择-极限学习机(SFS-ELM)的精确率最高,达到88.13%。关键元素和同位素也得到了较准确的预测(R²大于0.70),并通过化学分布图进行了直观可视化。本研究融合高光谱成像与元素、同位素分析,为解释与产地判别最相关的光谱区域提供了化学计量学依据,增进了对模型可解释性和特征有效性的综合认识。