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 187 条结果
-
基于智能手机的数字图像比色法用于面粉中过氧化苯甲酰的快速检测
查看原文2025
Food Chemistry
中科院一区JCR一区Harem Ahmed Ibrahim & Nabil Adil Fakhre
食品标签
小麦 化学污染物 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据开发了一种快速、便携且经济高效的比色法,该方法利用基于智能手机的数字成像系统检测小麦粉中的过氧化苯甲酰(BPO)。通过定制的太阳能灯箱,实现了稳定且一致的图像采集。该方法基于BPO对3,3,5,5-四甲基联苯胺(TMB)的氧化作用,会产生可量化的颜色变化。分析性能显示,其线性范围为2.89–40.0 mg/kg,检测限为0.955 mg/kg。通过对加标面粉样品的回收率研究(100–102%)证实了该方法的准确性,且其真实性与传统高效液相色谱法(HPLC)高度一致。此外,AGREE评估得分为0.83,表明该方法与绿色分析化学原则高度契合,凸显出相较于参考HPLC方法,其在可持续性方面有所提升。这种基于智能手机的系统为实验室绑定技术提供了一种便捷且环保的替代方案,是现场筛查和食品安全监测的宝贵工具,尤其适用于资源有限的环境。
-
基于MnO₂纳米纤维纳米酶的智能手机辅助比色传感水凝胶用于食用油中叔丁基对苯二酚的高灵敏快速检测
查看原文2025
Food Chemistry
中科院一区JCR一区Xiaoyue Yue, Chenxu Hao, Long Fu, Chaoyun Wu & Yanhong Bai
食品标签
植物油 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
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据受叔丁基对苯二酚(TBHQ)清除自由基机制的启发,研究人员开发了一种基于二氧化锰纳米花(MnO₂ NFs)纳米酶的智能手机辅助比色传感水凝胶,用于TBHQ检测。通过高锰酸钾(KMnO₄)的热分解反应,成功合成了具有优异类氧化酶活性的MnO₂ NFs。这些MnO₂ NFs纳米酶能够产生超氧阴离子自由基(O₂⁻·)和羟基自由基(·OH),将无色的3,3',5,5'-四甲基联苯胺(TMB)转化为蓝色的氧化型TMB(oxTMB)。TBHQ的存在会中和这些自由基,导致652纳米处的吸光度降低。这为食用油中TBHQ的检测提供了一种高灵敏度的定量方法,其线性检测范围为0.5–42μg/mL,检测限低至0.087μg/mL。此外,研究还设计了一种智能手机辅助水凝胶,用于TBHQ的可视化灵敏检测。该方法的检测结果与高效液相色谱法的结果高度吻合,为食用油中TBHQ的快速检测提供了一种创新且高效的途径。
-
基于花青素染料的比色传感器阵列结合模式识别算法对韭菜中农药残留的多任务检测
查看原文2025
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Fangzhen Meng, Jihong Deng, Chunyu Zhang, Hengke Zheng, Huazhi Wang & Hui Jiang
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 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据快速且可靠地检测韭菜中的农药残留,对于保障食品安全和农业可持续发展至关重要。本研究以9种环保型花青素为染料、硅胶板为载体,开发了一种新型比色传感器阵列(CSA)。通过顶空固相微萃取结合气相色谱-质谱联用技术,证实了本研究中CSA的颜色变化与样品中挥发性有机化合物的酸碱度有关。将该CSA与模式识别模型相结合,实现了对韭菜中农药种类、浓度及含量的检测:卷积神经网络分类器对农药种类的分类准确率达100%,对浓度的分类准确率达75%-100%;支持向量回归模型的均方根误差为1.02-2.68 mg/kg,相关系数为0.93-0.95。该方法在常规、快速的食品安全检测中具有巨大潜力。
-
基于氟掺杂碳量子点和机器学习,探索氟喹诺酮类抗生素识别和环丙沙星检测中的氟-氟相互作用机制
查看原文2025
Food Chemistry
中科院一区JCR一区Xinyue Yin, Shuran Yang, Guorong Du, Lu Zhang, Yuhong Xiang & Nengsheng Ye
食品标签
液态乳 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 分类/鉴别/等级评定 定量预测/回归分析抗生素的滥用会对人类健康与生态系统造成严重威胁,因此亟需实现食品中氟喹诺酮类抗生素(FQs)的精准区分与痕量检测。本研究制备铝离子螯合氟掺杂碳量子点(FCQDs–Al³⁺),构建比率型荧光传感器,用于检测牛奶中的环丙沙星(CIP)。环丙沙星会使氟掺杂碳量子点在360纳米处的荧光发生猝灭,同时其与铝离子螯合后会增强430纳米处的荧光信号。该传感器检测限为4.20纳摩尔每升,牛奶样品加标回收率区间为96.32%~100.07%。机器学习方法证实荧光猝灭由氟-氟相互作用引发,并建立了六种氟喹诺酮类抗生素的识别模型。基于此可先对氟喹诺酮类抗生素开展定性分析,再进行定量检测。该传感器对其余五种氟喹诺酮类抗生素同样具备优异的定量检测效果,在氟喹诺酮类抗生素的鉴别与检测领域拥有巨大应用潜力。
-
通过多源数据融合进行先进食品污染物检测:策略、应用与未来展望
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Selorm Yao-Say Solomon Adade, Hao Lin, Nana Adwoa Nkuma Johnson, Xorlali Nunekpeku, Joshua Harrington Aheto, John-Nelson Ekumah, Bridget Ama Kwadzokpui, Ernest Teye, Waqas Ahmad & Quansheng Chen
食品标签
食品安全与风险评估 微生物安全 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 分类/鉴别/等级评定 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 多模态/融合数据背景:食品供应链的全球化和对食品安全保证日益增长的需求,凸显了传统分析方法在检测污染物方面的局限性。这些传统方法通常难以捕捉食品基质固有的复杂性,其特点是异质性和动态过程。多源数据融合(MSDF)已成为一种有前景的解决方案,通过整合多种分析技术,为全面的食品安全分析提供了增强的能力。
范围与方法:本综述系统地考察了多源数据融合在食品污染物检测中的策略和应用,重点关注关键分析技术的整合,包括光谱方法(近红外、中红外、拉曼)、色谱分析、高光谱成像、电子鼻和化学分析。文章分析了各种融合架构和层次、预处理要求以及先进的数据分析技术,包括机器学习和化学计量学。通过详细的案例研究和比较分析,本综述评估了多源数据融合在食品安全监测不同应用中的有效性。
主要发现与结论:与单传感器方法相比,多源数据融合显示出更优越的性能,在检测农药、霉菌毒素、病原体和掺假物等各种污染物时实现了更高的灵敏度、特异性和可靠性。综述指出了关键的挑战,包括数据集成复杂性、计算需求、传感器漂移和模型可解释性。通过人工智能、边缘计算和物联网技术出现的新解决方案有望解决这些局限性。多源数据融合的成功实施需要标准化协议和跨学科合作。随着食品供应链变得越来越复杂,多源数据融合在确保食品安全方面的作用将变得更加关键,并得到传感技术、数据分析和人工智能持续创新的支持。