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 2456 条结果
-
先进的可食性涂层/薄膜在新鲜蘑菇保鲜中的应用
查看原文2025
Food Hydrocolloids
中科院一区JCR一区Qi Tian, Yanlin Du, Mingna Li, Yunfeng He, Jiahua He, Du Ji, Yongli Jiang, Dafeng Sun & Junjie Yi
食品标签
食用菌菇 包装设计与机械性能 智能/指示型包装计算机标签
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据新鲜蘑菇因其高含水量、酶促褐变和微生物污染而在采后极易发生品质劣变。可食性涂层由天然生物聚合物、脂质和生物活性化合物组成,已被广泛研究作为可持续策略以延长货架寿命并保持品质属性。本综述批判性地概述了可食性涂层技-术在蘑菇保鲜方面的最新进展,特别强调了配方策略、制造方法,以及保湿、抑制酶活性和抑制微生物等保鲜机制。为了弥合传统方法与先进应用之间的差距,纳米复合材料、刺激响应材料和智能包装系统的最新发展受到重视,因为这些已经极大地改善了涂层的功能性能。尽管取得了这些进展,诸如涂布附着力、法规合规性、规模化潜力和消费者接受度等挑战仍然是商业化转化的障碍。通过将可食性涂层与新兴的跨学科技术(包括人工智能(AI)用于质量评估)结合起来,可能会实现在采后质量和安全性方面的进一步改进,从而促进更具可持续性和韧性的粮食系统。
-
用于风味感知的人工智能:将嗅觉机制整合到食品类别感官评价中
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xin Lei, Yueguang Wang, Zhenfu Zhu, Oujun Dai, Sihang Chen, Chengrong Wen & Jie Pang
食品标签
感官评价与方法学 风味组学计算机标签
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 组学数据 质构/流变/感官数据 多模态/融合数据背景:风味是决定食品质量和感官体验的关键因素,其评价传统上依赖于评估人员和仪器。然而,传统方法在客观性、效率、经济成本和吞吐量方面面临着重大挑战。近年来,人工智能(AI)为这些瓶颈问题提供了新的方法和解决方案。
范围与方法:本文系统综述了用于食品群体感官评价的人工智能驱动模型,特别强调将风味感知机制(尤其是嗅觉)整合到群体感官分析中。此外,本文从感知科学、计算智能和风味组学等跨学科角度出发,对模型的构建及其实际应用进行了深入分析。特别是,基于嗅觉感知原理,本综述研究了风味化合物的识别机制,并探讨了人工智能驱动的风味预测、质量分级和机制解释的策略。
主要发现与结论:与传统方法相比,人工智能驱动的嗅觉感知评价方法在组内和组间差异分析、效率、对风味物质的洞察以及高通量和高模态数据分析方面有了很大改进。此外,结合特定的算法和模型,在感官评价的基础上可以实现可解释性分析和风味预测,在食品科学领域具有广泛应用的巨大潜力。 -
基于人工智能的水果蔬菜干燥系统多目标优化:全面综述
查看原文2025
Food Research International
中科院一区JCR一区Yujuan Zhong, Min Zhang, Min Feng, Gennady Semenov & Dongxing Yu
食品标签
水果/蔬菜与菌菇类/植物类 干燥设备 干燥保藏 过程监测与在线检测计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据水果蔬菜水分含量高、营养丰富,但易腐败且货架期短。干燥是延长货架期和减少资源浪费的关键技术。然而,传统干燥方法受到效率低、能耗高和产品质量不稳定的限制。人工智能凭借其自学习、自适应能力和模拟复杂非线性关系的能力,为应对这些问题提供了创新解决方案和有效工具。本文全面综述了人工智能在水果蔬菜干燥中的应用。首先,我们介绍了机器学习、深度学习、模糊逻辑、专家系统和计算机视觉系统的基本理论及其在水果蔬菜干燥中的应用优势。随后,详细阐述了人工智能在干燥过程建模与预测、实时质量监测以及智能控制与优化方面的案例研究,并讨论了其在优化传统干燥和与场辅助干燥技术结合方面的应用。此外,分析了人工智能在水果蔬菜干燥中的局限性及未来发展趋势,为该领域的研究人员提供更多见解。
-
基于多传感器融合与机器学习的库尔勒梨贮藏期间实时新鲜度预测
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Zhongbiao He, Jiahao Yu, Xue Zhou, Tengfei Tang, Huibing Wang, Jingqi Gong, Jiashuo Shi, Xiaoshuang Zhang & Yongman Zhao
食品标签
新鲜水果 货架期预测与品质劣变动力学 其他品质相关性质 过程监测与在线检测 其他理化与结构表征计算机标签
其他深度学习结构 支持向量机 随机森林 定量预测/回归分析 时序传感器/物联网数据本研究提出了一种创新的混合传感器机器学习系统,用于对梨的新鲜度进行客观且自动化的评估,克服了传统视觉检测方法在梨储存监测中的局限性。通过危害分析与关键控制点(HACCP)确定了采后处理中的关键控制点。基于Modbus-RTU协议和Winform架构开发了实时监测系统,以获取0°C、4°C和25°C储存条件下的多源环境数据。将理化指标与传感器数据相结合,利用反向传播神经网络(BPNN)、支持向量机(SVM)、随机森林(RF)和径向基函数(RBF)网络算法构建预测模型。结果表明,微环境参数与新鲜度指标之间存在强相关性。在这些模型中,支持向量机(SVM)表现最佳,对硬度的预测准确率为96.67%,对可溶性固形物含量的预测准确率为94.30%。它显著优于传统的阿伦尼乌斯方程法,后者的准确率为88.23%。该监测系统具有较高的可靠性,数据采集精度超过99%,且运行稳定性强。本研究为梨的储存管理提供了一种无损且高效的解决方案,有效降低了品质劣变风险,提高了经济效益。
-
基于 Kmeans 和极限学习机的整个稻米加工链风险评估模型
查看原文2025
LWT
中科院一区JCR一区Bojian Qi, Xinyue Ma, Jiabin Yu, Jiaxin Dong, Xiaoyu Cui, Xin Zhang, Yangguang Cai, & Zhiyao Zhao
食品标签
大米 暴露评估与风险表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定稻米加工链在稻米供应链中起着至关重要的作用,因此对其主要污染物的风险评估是必不可少的。现有方法通常依赖于主观权重的确定,且未能考虑指标的特性,导致结果不合理。此外,这些模型存在鲁棒性差和精度低的问题。本文提出了一种基于K-means和极限学习机(ELM)的风险评估方法,利用多级风险指标体系。通过将毒理学特性纳入熵权,获得加工链的综合风险指标。K-means算法用于对指标进行聚类以划分风险等级,而ELM则用于评估。在75个含有六种污染物(铅、镉、汞、黄曲霉素B1、玉米赤霉烯酮和脱氧雪腐镰刀菌烯醇)的稻米加工数据集上验证,该方法实现了93%的风险分类准确率,优于反向传播(BP)和径向基函数(RBF)方法。这一方法突显了人工智能在提升食品安全和监管中的作用,支持农业数字化转型中的决策制定和快速响应。