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
-
便携式和手持式高光谱成像用于磨碎马铃薯片中的丙烯酰胺无损预测
查看原文2025
Food Control
中科院一区JCR一区Fernandesca Bruno, Puneet Mishra, Ben Davies, Keith Stuckrodt & Albert Efird
食品标签
马铃薯 饼干/薄脆制品 化学污染物 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据最常见的食品中丙烯酰胺检测分析方法成本高、耗时且具有破坏性,因此不适合食品制造过程中的过程控制。高光谱成像(HSI)为实时检测丙烯酰胺提供了一种有前景的无损替代方案。本研究调查了两种便携式 HSI 系统(一个便携式高光谱相机和一个全合一光谱成像(ASI)装置,捕获400-1000 nm范围的图像)用于马铃薯片中丙烯酰胺预测的可行性。使用 HSI 数据开发的预测模型与通过高端傅里叶变换红外(FTIR)光谱仪获得的模型进行比较,显示出更好的预测性能。然后,在更大的样本集上评估了 HSI 系统,并进一步在低丙烯酰胺含量的商业薯片独立样本集上进行了测试。在中等丙烯酰胺水平(<3000 μg/kg)范围内校准的偏最小二乘回归(PLSR)模型实现了校准均方根误差(RMSEC)为314.5 μg/kg(r = 0.9)和预测均方根误差(RMSEP)为466 μg/kg(r = 0.2)。识别了6个关键波长带,并用于构建RMSEC为267.9 μg/kg(r = 0.9)和RMSEP为312.7 μg/kg(r = 0.9)的模型。这些结果表明,便携式和手持式 HSI 系统可用作快速无损技术来预测马铃薯片中的丙烯酰胺。
-
用于农产品内外品质检测的集成多模态柔性传感器与人工智能驱动的融合建模
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Zongxian Wang, Chaoyang Jia, Weizhong He, Xiaoshuan Zhang & Huanhuan Feng
食品标签
智能/指示型包装 包装系统中的监测与标签应用计算机标签
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/融合数据背景:传统的质量检测方法往往受限于设备僵化带来的灵活性不足、单模态准确性较低以及内外部质量分离评估等问题。近年来,多模态柔性传感器和人工智能(AI)技术的进步提供了一种变革性的方法,能够实现对产品内外部质量属性的无损、连续且精确的监测。这些创新对于优化农产品质量管理、减少浪费以及保障质量安全至关重要。
研究范围与方法:本综述系统总结了多模态柔性传感器和人工智能驱动的融合建模在农产品质量检测领域的最新进展。综述概括了有关监测微环境和质量参数的柔性传感器在设计、功能、制造及信号传输方面的近期研究。此外,本综述还重点介绍了基于人工智能的数据融合框架及其在评估农产品内外部质量属性中的应用。同时,本文还探讨了当前存在的挑战和未来的发展前景,为农产品质量检测领域的进一步研究和实际应用提供指导。
主要发现与结论:多模态柔性传感器和人工智能驱动的融合建模在推动农业质量检测发展方面具有巨大潜力。这些技术能够实现对物理、化学和生物指标的实时监测,显著提高了整个供应链中质量评估的准确性、可靠性和可追溯性。人工智能算法通过揭示复杂的相关性和预测质量演变趋势,进一步增强了数据解读能力。这些都将推动农产品质量检测向更高智能化和精准化的方向转变。 -
强健的DEEP异构集合与元学习用于蜂蜜认证
查看原文2025
Food Chemistry
中科院一区JCR一区Lucas Almir Cavalcante Minho, Jaquelide de Lima Conceição, Orlando Maria Barbaza, Aníbal de Freitas Santos Junior & Walter Nei Lopes dos Santos
食品标签
甜味剂 碳水化合物与糖类计算机标签
卷积神经网络 分类/鉴别/等级评定 多模态/融合数据食品欺诈对消费者健康和经济诚信构成重大担忧,其中糖浆掺假蜂蜜是最普遍的经济动机掺假形式之一。本研究提出了一种新颖框架,结合多种分析技术的数据与通过元学习集成的专业深度学习模型(卷积神经网络),以区分纯蜂蜜与掺杂甘蔗糖蜜、葡萄糖浆或焦糖味冰淇淋配料的样品。与传统化学计量方法不同,该方法扩展了输入特征空间,从而提升预测性能。由此产生的深度异构集合学习器展现出相当强的泛化能力,平均分类准确率达到98.53%,马修斯相关系数为0.9710。此外,该集合展现出卓越的鲁棒性,即使90%的输入数据损坏,仍保持73%的准确率,凸显了其在细微和极端数据变异下泛化的无与伦比能力。这一灵活且可扩展的解决方案凸显了集合元学习策略在应对分析化学复杂挑战中的变革潜力。模型、其组成部分及其他额外资源均已公开于一个开放的仓库中。
-
通过多物理场模拟揭示冷藏拖车运输过程中柑橘果实温度的异质性
查看原文2025
Food Control
中科院一区JCR一区Elisabeth Tobler, Jörg Schemminger, Leo Lukasse, Taylor Person & Thijs Defraeye
食品标签
新鲜水果 冷藏与冷冻保藏计算机标签
定量预测/回归分析 小规模数据集冷藏拖车的合理设计和操作对于保持新鲜水果在公路运输过程中的温度和质量至关重要。尽管在途温度监测是一种广泛使用的追踪温度和检测产品质量潜在风险的策略,但它对货物内部的温度变化以及导致这些变化的潜在因素提供的见解有限。基于物理的模型可以弥合这一差距,提供对运输过程中货物内部热生理过程和温度异质性的更深入理解。这些模型在优化冷藏运输操作方面具有巨大潜力。
在本研究中,采用多孔介质方法,开发了一个装载柑橘的冷藏拖车的三维物理模型,以研究气流和热传递动力学,重点关注拖车内部的瞬态温度变化。通过将实测的温度传感器数据整合到模型中,创建了该冷藏拖车的数字孪生,以镜像对应货物的热行为。对一个具体运输批次进行了模拟,并将结果与遍布整个货物98个特定位置的实验测量数据进行了比较。
结果表明,模拟有效地捕获了冷藏拖车内发生的物理过程,随着包括预冷温度变异性和货物异质性在内的初始及边界条件的精确定义,模拟精度不断提高。此外,模拟结果强调了某些托盘预冷不充分、包装和装载不当如何对整个货物产生不利影响。基于物理的模型在评估各种场景以优化冷藏运输方面显示出巨大潜力。 -
通过差分扫描量热法(DSC)和基于图的半监督学习(GSSL)对蜂蜜潜在掺假的区分
查看原文2025
Food Chemistry
中科院一区JCR一区Kaiyue Huang, Kaiyuan Huang, Tongyuan Bai, Xiaofeng Xue, Ping He & Baojun Xu
食品标签
甜味剂 其他理化与结构表征 碳水化合物与糖类计算机标签
K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 小规模数据集蜂蜜是一种宝贵的天然食品,因其营养和治疗特性而备受推崇。然而,蜂蜜掺假问题普遍存在,通常涉及植物糖浆的添加,给全球市场带来了重大挑战。本研究利用差分扫描量热法(DSC)这一热分析技术,对43个蜂蜜样品的热剖面进行了表征,包括含有高果糖玉米糖浆(HFCS)的正品和掺假样品,以及不同糖浆浓度的样品。采用主成分分析(PCA)和基于图的半监督学习(GSSL)来分类样本,实现了高准确率。结果显示,摻假水平增加导致含水量增加,玻璃转变温度(Tg)和热容差(ΔCp)降低。此外,已建立的K最近邻图和Kullback-Leibler发散(KL)有效地可视化了样本间的关系。将DSC与GSSL结合,提供了一种成本效益高、资源高效的方法,能够以最小的实验努力检测蜂蜜掺假,同时保持高度分类准确性。这种方法有望解决食品行业中的蜂蜜掺假问题。