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
-
结合机器学习的4D打印变形标签用于呼吸跃变型果实的监测与保鲜
查看原文2025
Nature Communications
中科院一区JCR一区Xiuxiu Teng, Min Zhang, Arun S. Mujumdar & Chunli Li
食品标签
发酵食品及酱腌制品 过程控制与数字化 其他方法计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据研发了能够改变颜色和形状的 4D 打印标签,以实现对呼吸性成熟水果的质量评估和维护的双重功能。研究了添加精油乳液和不同几何结构对变形的影响以及相应的机制。与铸型和 3D 打印标签不同,4D 打印标签会根据包装内湿度和二氧化碳水平的变化同时改变颜色和形状,从而能够更准确地直观监测水果质量的变化点。MobileNet 模型对 4D 打印标签的识别准确率达到了 97%,在实现智能预警方面发挥了积极作用。此外,变形以及微观结构的破坏通过一种非费克机制促进了精油的可控释放,从而产生了更好的保存效果。
-
通过深度学习算法和可解释人工智能对海鲷Sparus aurata的品质预测
查看原文2025
Food Chemistry
中科院一区JCR一区İsmail Yüksel Genç, Remzi Gürfıdan & Tuncay Yiğit
食品标签
鱼肉 颜色与外观品质计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据本研究利用卷积神经网络(CNN)、密集网络121(DenseNet121)、Inception V3以及残差网络50(ResNet50)机器学习算法,通过鲷鱼眼部和鳃部图像,探究冷藏条件下鲷鱼的品质变化规律。研究将鲷鱼新鲜度划分为新鲜、中度变质和完全变质三个等级。模型预测准确率最高可达100%,变质等级的最低预测准确率为98.42%。研究采用可解释人工智能(XAI)算法(梯度加权类激活映射Grad-CAM、局部可解释模型无关解释LIME)对所得结果进行分析。研究结论表明,结合Grad-CAM与LIME算法构建的卷积神经网络和DenseNet121模型,可作为一种无损检测方法,用于判定冷藏环境下鲷鱼的新鲜度。
-
智能体即所需:开创性地将代理人工智能应用于乳品科学以拥抱大型语言模型
查看原文2025
Journal of Dairy Science
中科院一区JCR一区E. Liu, H. Yang, S. Sharma, M.B. van Leerdam, P. Niu, M.J. VandeHaar, & M. Hostens
食品标签
乳及乳制品 感官科学与消费者研究计算机标签
大模型与 LLM 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据 多模态/融合数据 超大规模/工业级数据集大型语言模型(LLM)在推动乳品科学领域的发展方面具有巨大潜力,能够提升研究解读能力、辅助决策制定以及促进知识传播。然而,若缺乏系统的规划设计,LLM 可能会针对特定领域的问题生成不相关或事实性错误的回答。此外,现有的大多数 LLM 及相关工具并未针对乳品领域的需求进行定制,这限制了它们在该领域的实际应用。为了展示在乳品科学中采用 LLM 的可行性和实际价值,我们开发了一个由两个部分组成的自主系统:(1)一个基于《乳品科学杂志》(JDS)的决策支持聊天机器人,用于提供基于科学的见解;(2)一个自然语言接口,用于与学术模型进行交互并可视化预测结果。我们使用 PubMed 应用程序接口收集了自 1917 年以来所有公开可用的 JDS 抽象及其相关元数据,形成了一个科学知识库,使聊天机器人能够回答用户的问题。实施了一种检索增强的生成框架,以确保由 LLaMA(由 Meta 开发的大型语言模型)生成的回答能够与同行评审的文献紧密相关,并且每个答案都会引用 5 个最相关的来源。为了处理超出 JDS 文献范围的问题,系统中加入了网络搜索代理,从外部在线资源中检索补充信息。由 DBRX(由 Databricks 开发的大型语言模型)驱动的评分代理被纳入系统,以评估由大型语言模型生成的内容的可信度和相关性,以降低错误信息或幻觉性回答的风险。系统的第二个组成部分促进了与 MilkBot 的自然语言交互,MilkBot 是一个已发布的基于贝叶斯的产奶量预测模型。用户以通俗的语言提交问题后,系统会将问题转换为 MilkBot 的模型参数,执行模型预测,并使用预测输出生成可视化结果。这项工作展示了大型语言模型作为针对特定奶制品模型的直观、用户友好界面的能力。据我们所知,这是首个将来自科学文献、网络资源和学术模型的大量信息整合在一起,并具备自我评估能力的聊天机器人原型。它能够为学者、顾问和农民提供有关奶制品的具体见解。然而,要实现语言模型辅助决策的全部价值仍面临一些挑战,例如缺乏针对特定地区的数据以使答案适应当地情况,需要更强大的措施来保护数据安全和隐私,以及需要整合更多功能以实现更全面的决策支持。
-
人工智能驱动的策略:增强乳酸菌作为功能性益生菌的应用——健康促进与工业应用优化
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Du-Min Jo, Seok-Chun Ko, Kyung Woo Kim, Dongwoo Yang, Ji-Yul Kim, Gun-Woo Oh, Grace Choi, Dae-Sung Lee, Nazia Tabassum, Young-Mog Kim & Fazlurrahman Khan
食品标签
肠道健康与微生物相关功能 菌种筛选与特性评价 益生菌菌株计算机标签
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 设计/生成与推荐背景:乳酸菌(LAB)因其益生菌特性和促进健康的作用而被广泛认可,包括调节肠道菌群、免疫调节和代谢支持。然而,传统的功能性乳酸菌菌株鉴定和应用方法劳动强度大,且可扩展性有限。随着对精准益生菌和微生物组靶向疗法需求的不断增长,迫切需要能够系统优化乳酸菌功能的先进方法。
范围与方法:本综述探讨了人工智能(AI)技术,包括机器学习、深度学习和混合模型,如何促进基于乳酸菌的益生菌研究和应用。我们将当前的人工智能应用分为三个主要领域:(i)功能性菌株发现;(ii)代谢建模和个性化健康干预;(iii)工业规模的配方设计和质量控制。
主要发现与结论:人工智能技术能够准确预测益生菌的特性,如抗菌肽(AMP)的产生、短链脂肪酸(SCFA)的合成以及与宿主的相互作用潜力。它们还有助于发现功能性代谢物,并简化发酵和配方等工业流程。这些进展支持益生菌开发向数据驱动的精准方法转变。未来的持续发展将依赖于标准化的数据、可解释的模型以及跨学科整合。 -
基于可见-近红外高光谱成像与机器学习鉴定中国藏红花的产地、年份与等级
查看原文2025
Food Research International
中科院一区JCR一区Jiahui Wu, Jing Nie, Hao Hu, Xinyue Xu, Chunlin Li, Hongkui Zhou, Peishi Feng, Hanyi Mei, Karyne M. Rogers, Ping Wang & Yuwei Yuan
食品标签
其他果蔬制品/植物类 香精香料 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱藏红花(Crocus sativus L.)的干燥柱头是一种极其珍贵的香料和药材,其经济价值受地理来源、年份和等级的影响。本研究提出了一种基于可见-近红外高光谱成像(VNIR-HSI)、机器学习及数据融合策略的方法,用于鉴定不同中国产地、年份和等级的中国藏红花。首先,根据ISO3632-1/2标准对藏红花样品进行分级,发现年份对等级的影响大于地理来源。通过比较不同预处理方法下不同分类算法的效果,结果表明MSC-CARS-SVM是确定藏红花产地的有效光谱分类算法,而FD-CARS-SVM是确定藏红花年份和等级的有效光谱分类算法。最后,在中层融合图像和光谱特征以建立产地、年份和等级的分类模型,结果显示融合后的产地和年份模型比初始光谱信息更有效,预测准确率分别达到98.3%和97.9%。然而,光谱FD-CARS-SVM模型在等级鉴定中表现出最佳判别力,预测准确率为89.6%。本研究为表征藏红花质量,服务于产业和消费者,提供了理论基础和技术支持。