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 187 条结果
-
迈向智能食品安全：机器学习在黄曲霉毒素检测与风险预测中的应用
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Mayuri Tushar Deshmukh, P.R. Wankhede, Nitin Chakole, Pawan D. Kale, Mahendra R. Jadhav, Madhusudan B. Kulkarni & Manish Bhaiyya
食品标签
食品安全与风险评估 化学污染物 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 强化学习 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据黄曲霉毒素对人类健康构成严重威胁，其潜在的破坏性影响在日常食品供应中难以察觉，尤其是在花生、玉米和香料等食品中，在气候条件适宜其生长的热带和亚热带地区更为突出。现有的黄曲霉毒素检测方法成本高昂且耗时，无法在实践层面实现快速、广泛的实时监测部署。本综述提供了一个具有里程碑意义的综合性视角，阐述了各种形式的人工智能（AI）如何推动农业系统中黄曲霉毒素检测和定量分析的发展。特别是，本综述通过理解监督学习、无监督学习和强化学习在用于黄曲霉毒素检测和定量的光谱、图像和行为数据分析中的应用，探讨了食品科学与人工智能的融合。结合基于AI的智能手机诊断、智能存储系统以及用于图像分析的深度学习模型等前沿应用，本综述考察了已开发模型的各种案例和评估，解决了诸如数据稀疏、跨食品基质的泛化能力以及监管透明度等关键现实挑战。最后，本综述探讨了采纳不断发展的AI策略的意愿，并展望了未来更快、更智能、更易获得的黄曲霉毒素检测方法，以期实现更重大的公共卫生保护和可持续的食品体系。无论您是研究新模型开发的独特研究者、制定食品安全法规的政策制定者、设计课程的学者，还是探索下一代食品技术的科学家，本文都是一个及时且便捷的知识获取平台，引领我们迈向更安全、由AI驱动的食品体系。
-
苯二胺衍生碳点与罗丹明B结合：超快比分荧光和智能手机支持的亚硝酸盐成像检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Hong Wu, Yumin Hao, Xinyan Cheng, Huiping Wang, Wenjuan Dong, Shaomin Shuang, Qin Hu, Chuan Dong & Xiaojuan Gong
食品标签
畜肉 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
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据亚硝酸盐（NO2−）在食物和水中很常见，存在健康风险，需要迅速检测。在这里，开发了一种结合苯二胺来源碳点（Ph-CD）和罗丹胺B（RhB）的比例荧光探针，实现了快速且准确的一氧化氮检测2−传感。在酸性条件下，不行2−通过间氮化与Ph-CD上的氨基反应，导致200秒内明显的荧光变化。RhB提供稳定的参考，允许自校准的双发射输出，减少矩阵和环境干扰。配合智能手机成像，该探头实现了无需复杂仪器即可实时目视检测和量化。该系统在食品和自来水中测试时表现出高灵敏度（LOD：0.10微米）和良好准确率（回收率：96.8%–101.8%），在复杂样品如腌制肉类中表现出强烈可靠性。这个便携且用户友好的平台为现场NO提供了有效的工具2−筛查、支持食品安全和环境监测，尤其是在资源有限的环境中。
-
AI与NMR协同增强食品成分分析的方法：一篇全面综述
查看原文
2025
Trends in Food Science and Technology
中科院一区JCR一区
Ruge Cao, Jingxin Li, Han Ding, Tingting Zhao, Zicong Guo, Yaying Li, Xingchun Sun, Fang Wang & Ju Qiu
食品标签
食品安全与风险评估 化学污染物 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/回归分析背景：人工智能（AI）与核磁共振（NMR）光谱学的融合正在成为食品成分分析中的一种变革性方法，为确保食品质量和安全提供了创新解决方案。将AI算法与NMR光谱学结合，有望提高食品科学中结构分析的精度和效率，应对复杂数据解读中的挑战，并推进食品真实性、原产地追溯和污染物检测的方法学。
范围与方法：本综述考察了AI技术，特别是机器学习（ML）模型，包括监督学习（SL）、无监督学习（UL）和深度学习（DL），在增强NMR数据解读和分析中的应用。我们讨论了NMR基本原理，并探讨了AI在解决谱图复杂性和改进食品成分表征方面的整合。这种结构化方法评估了AI在食品科学背景下进行谱图预测、模式识别和数据驱动模型开发中的作用。
主要发现与结论：AI-NMR整合在各种食品化学应用中显示出巨大潜力，从预测结构特性到检测掺假物和污染物。SL模型在谱图预测上提供了准确性，UL模型增强了模式识别能力，而DL方法则能够分析复杂的NMR谱图。然而，挑战依然存在，特别是在模型的可解释性、数据可用性以及在实际条件下的鲁棒性方面。应对这些挑战需要AI专家和食品化学家之间的跨学科合作，以释放AI-NMR在食品分析和质量控制中的全部潜力，并可能彻底改变该领域的方法学。 -
利用二维拉曼相关光谱和机器学习快速微量检测蔬菜中的氯虫苯甲酰胺
查看原文
2025
LWT
中科院一区JCR一区
J.M. Thuku, M.I. Kaniu, C.N. Ndung', L.W. Kiruri, & K.A. Kaduki
食品标签
新鲜蔬菜 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
支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据蔬菜中农药残留及其有毒代谢物在食品安全方面带来长期挑战，尤其是在接近最大残留限量（MRLs）的痕量水平。拉曼光谱提供分子特异的振动特征用于农药检测，但植物基质常常掩盖微弱信号。二维相关光谱（2DCOS）能够分离农药特异性特征，而监督机器学习则可实现可靠分类。在此，我们提出一种快速、非破坏性的方法，将拉曼光谱、2DCOS 与机器学习相结合，用于检测氯吡虫啉及其潜在主要代谢物3,5,6-三氯-2-吡啶酚（TCP）。羽衣甘蓝和菠菜在低于、等于及高于0.01 ppm MRL的范围内被添加不同浓度。使用2DCOS分析来识别浓度依赖的标志性波段。对应于氯吡虫酯 C-Cl 伸缩振动的 320-360 cm⁻¹ 1 波段显示出最高的特异性。三氯苯磷（TCP）的密度泛函理论（B3LYP/6-31G(d)）模拟表明，这一振动模式在代谢物光谱中也存在，提示可能共享 Raman 标记。基于 2DCOS 衍生波段训练的随机森林（RF）和支持向量机（SVM）分类器的准确率达到 97%，其中 RF 的召回率超过 99%。外部验证证实了 RF 的稳健性，正确预测了所有验证样本。这种实验、计算与预测相结合的方法表明，在痕量水平下同时检测母体农药和其代谢物具有潜力，凸显了其开发为适用于新鲜农产品的便携式实时筛查方法的前景。
-
探索结合化学计量学的多元素指纹图谱用于鉴别芦笋地理来源及其风险评估的可行性
查看原文
2025
Food Chemistry
中科院一区JCR一区
Qiuhong Zhang, Min Li, Chuanhao Dou, Xiangliang Yan, Bing Wang, Huimin Zhang, Yongqiang Lin & Dantong Zhao
食品标签
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定本研究探讨了多元素分析结合元素指纹图谱和化学计量学在鉴别芦笋（Asparagus officinalis L.）地理来源方面的有效性。研究还调查了长期摄入芦笋可能带来的健康危害。研究将19种元素设为变量，通过元素指纹图谱和化学计量学进行地理来源鉴别分析。主成分分析（PCA）未能提供清晰的区域划分，而正交偏最小二乘判别分析（OPLS-DA）则给出了清晰的区域划分。最终模型保持了较高的预测准确率和交叉验证准确率，这凸显了元素谱图在准确识别芦笋地理来源方面的稳健性和算法灵活性。基于铅、镉、砷、汞、铜、铬等重金属的总目标危害商（THQ）值以及铅、镉、砷、铬等金属的癌症风险（CR）值进行的健康风险评估表明，食用芦笋对人体健康存在一定风险。
