01 / 01

类目筛选(食品学者)

清除筛选
  • 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)

清除筛选
  • 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)

清除全部筛选
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 酚类谱作为橄榄品种识别、追溯和质量控制的强效机器学习工具

    2025
    Journal of Agricultural and Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Fabiola Eugelio, Marcello Mascini, Elettra Marone, Federico Fanti, Sara Palmieri, Manuel Sergi, Michele Del Carlo, & Dario Compagnone

    食品标签

    新鲜水果 光谱/色谱/质谱等分析方法 脂质与脂肪酸

    计算机标签

    支持向量机 随机森林 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定

    本研究考察来自四个欧洲油橄榄品种(Arbequina、Arbosana、Frantene 和 Koroneiki)的橄榄酚类和脂肪酸谱,这些品种广泛种植于地中海地区,并在意大利不同成熟阶段采集。研究旨在评估橄榄化学谱作为品种分类标志物的潜力,并采用线性判别分析、k 近邻、朴素贝叶斯、随机森林和支持向量机等机器学习算法。结果显示,在所有模型中,酚类谱的分类准确率显著高于脂肪酸谱。基于酚类数据时,随机森林和支持向量机准确率达到 98%;而基于脂肪酸数据时,表现最好的朴素贝叶斯模型准确率仅为 65%。值得注意的是,绿原酸、阿魏酸和芹菜素等少量酚类化合物对分类具有关键作用。研究表明,机器学习结合酚类谱可提升橄榄产业中的品种识别、可追溯性和质量控制能力。

  • 机器学习在柑橘精油行业中的应用:关于工艺优化、鉴定以及风味和生物活性化合物开发的综合综述

    2025
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Ruijie Mai, Yang Li, Jingnan Ren, Gang Fan & Jinchu Yang

    食品标签

    香精香料 食品安全与风险评估 特征风味 副产物与废弃物高值利用 过程优化与控制策略 植物化学/生物活性成分

    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 过程控制与实时优化 设计/生成与推荐

    背景:柑橘精油(富含风味物质和生物活性化合物)是从柑橘果皮(作为加工副产品,约占果实质量的40%-50%)中提取而来,这实现了柑橘的综合利用,同时减轻了环境污染。提取工艺参数、分析技术以及化合物研发的日益复杂化,产生了大规模、复杂的数据集,因此需要应用先进的计算分析技术(机器学习,ML)来进行高效的数据处理与分析。
    范围与方法:本综述系统地介绍了机器学习模型构建的一般流程(包括数据收集、预处理、模型选择和模型评估),重点阐述了其应用(包括工艺优化、产量预测、溯源、掺假鉴别、关键风味化合物的表征与鉴定,以及风味和生物活性化合物的预测与合成)。后续章节批判性地探讨了主要的挑战和局限性,并最终提出了未来的展望。
    主要发现与结论:机器学习已渗透到精油产业的各个环节,大约从2020年开始,其应用逐渐从传统的机器学习算法(依赖人工特征提取)向深度学习算法(采用神经网络进行自动特征学习)过渡。这一技术演进显著提高了生产效率、质量控制、风味调控以及生物活性化合物的研发水平。为进一步推动机器学习在该领域的应用,未来应优先致力于:建立全面的公共数据库;开发特定领域的数据预处理方法;确定质量控制的关键特征;推进混合建模和多任务建模;开展计算模拟和生物学验证;提高可解释性和商业适用性。

  • 利用深度学习预测饮食干预后的代谢物反应

    2025
    Nature Communications
    中科院一区
    JCR一区
    查看原文

    Tong Wang, Hannah D. Holscher, Sergei Maslov, Frank B. Hu, Scott T. Weiss & Yang-Yu Liu

    食品标签

    营养与生物功能 传统统计分析与回归

    计算机标签

    其他深度学习结构 模型可解释性 定量预测/回归分析 组学数据

    由于个体具有高度个性化的生物特性和生活方式特征,不同的人对特定食物和营养物质的代谢反应可能会有所不同。特别是肠道微生物群,即生活在胃肠道内的数万亿微生物的集合,具有高度的个性化特征,并在对食物和营养物质的代谢反应中起着关键作用。基于个体的肠道微生物组成准确预测饮食干预对代谢物的影响,对于精准营养具有巨大的潜力。现有的预测方法通常局限于传统的机器学习模型。专门用于此类任务的深度学习方法仍然缺乏。在这里,我们开发了一种名为 McMLP(使用耦合多层感知器的代谢物反应预测器)的方法来填补这一空白。我们提供了明确的证据表明,McMLP 在由微生物消费者-资源模型生成的合成数据以及来自六项饮食干预研究的真实数据上都优于现有方法。此外,我们对 McMLP 进行了敏感性分析,以推断食物-微生物-代谢物的三元相互作用。

  • 利用高光谱成像和数据融合策略对橄榄比目鱼鱼片的新鲜度评估

    2025
    LWT
    中科院一区
    JCR一区
    查看原文

    Jong-Jin Park, Hoon Kim, Jeong-Seok Cho, Seul-Ki Park, Gyuseok Lee, Kee-Jai Park, & Jeong-Ho Lim

    食品标签

    鱼肉 货架期预测与品质劣变动力学 常规理化指标测定 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 多模态/融合数据 高光谱/多光谱光谱

    我们旨在评估在改良气氛包装下、分别存储于5、10、15和20°C的橄榄比目鱼(Paralichthys olivaceus)鱼片的新鲜度。我们测量了微生物计数、游离碱总量、颜色和游离氨基酸,并根据质量参数将样品分为三类新鲜度(新鲜、可接受和变质)。在可见光和近红外(VNIR)以及短波红外(SWIR)范围内获取高光谱图像,并应用支持向量机模型进行无损的新鲜度分类。由单一光谱开发的模型取得了86.2%(VNIR)和75.9%(SWIR)的准确率。为了提高预测性能,通过低级融合(LLF)和结合凝聚聚类(AC)的中级融合(MLF)将两种光谱范围进行了融合。结合低层特征(LLF)和多层特征(MLF)的分类模型优于单光谱模型。值得注意的是,MLF2在LLF数据集上应用自适应校正(AC)后,实现了94.8%的准确率,同时仅使用了整体波长范围的28%。这些结果表明,适当融合互补的光谱信息可以为评估鱼类产品的新鲜度提供一种高效且可靠的方法。

  • 利用可见/近红外光谱和多元回归分析对贾瓦迪桃果实品质参数进行无损评估

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Vali Rasooli Sharabiani, Nadia Saadati, Fatemeh Alizadeh & Mariusz Szymanek

    食品标签

    新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分

    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

    本研究旨在无损识别贾瓦迪桃的品质参数。在此背景下,研究采用了一个波长范围为350至1150纳米的电容阵列(CCD)光谱辐射计,用于无损预测pH值、可滴定酸(TA)、可溶性固态物(SSC)、总酚(TP)、提取花青素(Prance和Nesbitt法)。研究利用多元偏最小二乘(PLS)回归模型,同时考虑了参考测量值和降解测量值。为预测桃的品质属性,研究单独或组合应用了多种光谱数据处理技术,如萨维茨基-戈莱平滑(SG)、一阶导数(D1)、增量扩散率校正(MSC)、标准正态变量(SNV)和基线校正,组合方式包括(SG + MSC + D1)和(SG + 基线)。模型性能通过预测均方根误差(RMSEP)、相关系数(rp)和标准差比(SDR)进行评估。最优模型对pH值的预测准确性较高(原始光谱:RMSEP = 0.15,rp = 0.94,SDR = 3.0);对TA(一阶导数:RMSEP = 0.07,rp = 0.86,SDR = 2.29)和SSC(MSC:RMSEP = 1.17,rp = 0.85,SDR = 1.88)的预测准确性中等;而对TP和EA的预测准确性较低(SDR < 1.5)。与破坏性方法相比,这种无损检测方法能快速、经济地进行品质评估。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号