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
-
利用机器学习识别和剖析与消费者食品购买行为相关的社会经济和健康特征
查看原文2025
Food Quality and Preference
中科院一区JCR一区Daniel T. Burke, Martin Boudou, Jennifer McCarthy, Majid Bahramian, Courage Krah, Christina Kenny, Paul Hynds, & Anushree Priyadarshini
食品标签
感官科学与消费者研究 问卷/市场与消费者研究 传统统计分析与回归计算机标签
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 大规模数据集食品系统和与食品相关的政策会影响食品消费、饮食模式以及人类和环境健康。消费者通过其购买选择在促进健康和可持续发展方面发挥着至关重要的作用。为了识别和划分食品购买行为,并描绘其关系,我们在爱尔兰进行了一项横断面调查,样本规模为 957 名成年人。采用两步聚类分析、广义线性模型以及递归分区和回归树等方法,以阐明所确定的食品购买行为群组的遵循情况。根据食品购买优先级和统计分类,确定了三个群组(“食品质量”、“口味”和“价格”)。基于食品购买优先级,“食品质量”成员明显更不容易被分类为肥胖(OR = 0.32),更有可能拥有研究生学历(OR = 1.59 - 1.76)。而“口味”成员被归类为肥胖的可能性几乎是其他人的两倍(OR = 1.96),患有糖尿病的可能性更高(OR = 2.24),并且拥有中学教育程度(最高学历)的比例也更高(OR = 1.73)。“价格”会员的平均体重指数最高(28.03 千克/平方米),更倾向于年龄较小(25 至 34 岁)(OR = 1.43),并且更有可能年家庭收入较低(低于 24,999 欧元)(OR = 1.89)。机器学习模型在预测“食品质量”会员的依从性方面表现得越来越有效(曲线下面积 = 0.72),其中教育程度、体重指数、肉类/海鲜购买地点、食品零售商距离以及饮食模式被确定为主要预测因素。研究结果强调需要制定有针对性的、基于证据的政策,以改变物理环境、改善经济状况并提高消费者意识,从而促进营养均衡且可持续的饮食。
-
一种基于Transformer的多任务深度学习模型,用于通过两种不同的高光谱成像同时评估鸡胸肉的TVB-N和TVC含量
查看原文2025
Food Chemistry
中科院一区JCR一区Xiaoxin Li, Mingrui Cai, Zhen Liu, Chengcheng Yin, Xinjie Tan, Jiangtao Wen & Yuxing Han
食品标签
禽肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱准确评估新鲜度对于确保鸡肉行业的质量和安全至关重要。本研究开发了一种多任务交错组Transformer模型(MIGTM),该模型整合了双高光谱成像(HSI)数据,可同时预测鸡胸肉中的总挥发性盐基氮(TVB-N)和总活菌数(TVC)。MIGTM表现出优异的预测性能,其TVBN和TVC的预测值分别为0.9040和0.9499,相较于优化的化学计量模型分别提升了4.48%和1.61%。与单任务模型相比,MIGTM在TVB-N和TVC预测方面分别提升了1.84%和1.40%,同时将计算成本降低了50%。通过有效利用双光谱源的互补信息,MIGTM在准确性和稳定性上优于现有的基于CNN和Transformer的模型。MIGTM与HSI相结合,为批量鸡肉新鲜度检测提供了一种可靠、无损的解决方案,在肉类质量评估的工业应用中具有巨大潜力。
-
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。
-
利用高光谱成像定量分析和可视化虾肉腐化过程中的化学成分:机器学习与深度学习模型的比较研究
查看原文2025
Food Chemistry
中科院一区JCR一区Qibing Xi, Qingmin Chen, Waqas Ahmad, Jing Pan, Songguang Zhao, Yu Xia, Qin Ouyang & Quansheng Chen
食品标签
甲壳类 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 循环神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据本研究探究了高光谱成像技术(HSI),用以定量识别虾肉变质过程中挥发性盐基氮(TVB-N)与K值的变化规律。研究构建了低层数据融合(LLF)策略,并分别采用机器学习方法(偏最小二乘法PLS)与深度学习方法(卷积神经网络CNN、长短期记忆网络LSTM、卷积-长短期记忆网络CNN-LSTM)建立预测模型。研究结果表明,深度学习方法凭借优异的特征提取与拟合能力展现出可观的预测效果,但传统化学计量学方法的性能更优于深度学习模型,其挥发性盐基氮(TVB-N)相关决定系数可达0.9431,K值相关决定系数可达0.9815。随后基于最优预测模型生成空间分布图,实现虾肉内部化学成分变化的可视化呈现。该方法可实现虾肉腐败相关品质变化的快速、无损检测预测。此项技术可应用于冷链物流中的虾类品质实时监测,优化库存管理模式,保障海产品食用品质。未来研究可针对不同工况条件进一步优化模型参数,并探索将高光谱成像技术与其他传感技术融合,从而更全面、精准地实现虾类品质综合评价。
-
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。