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G-四链体DNA酶的生物催化与智能电磁驱动微流控芯片联用技术用于四环素检测
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Li Wang, Wanwan Wang, Shumin Zhang, Jie Wei, Qingmin Chen, Tianhui Jiao, Anhui Lin, Quansheng Chen & Xiao-Mei Chen
食品标签
鱼肉 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他统计建模方法 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/视频数据本研究开发了一种智能电磁驱动微流控芯片,集成G-四链体DNA酶生物催化平台,用于四环素(TC)的快速灵敏检测。该传感系统通过荧光磁性碳点(M-CDs)的内滤效应和动态猝灭(激发/发射波长350/440 nm)实现TC信号响应,随后M-CDs-适配体上的G-四链体与血红素结合形成DNA酶,催化显色底物产生比色信号。微流控芯片通过编程控制磁性材料在功能槽中的穿梭,实现自动化检测。荧光法和比色法的检测限分别为11 μmol/L和43 μmol/L,罗非鱼样本的检测结果与高效液相色谱法一致。该平台为食品和环境中的痕量污染物检测提供了便携式智能解决方案。
-
利用环境电离质谱结合机器学习,同时测定农药残留及快速鉴别玉米生产来源
查看原文2025
Food Chemistry
中科院一区JCR一区Hang Su, Lifeng Han, Miaoxiu Ge, Xiangyu Wang, Hongping Zeng, Dan Zhao, Wei Xiong & Luhong Wen
食品标签
玉米 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 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品可追溯性是质量控制和食品安全的关键方面。本研究开发了一种分析时间为13分钟的高通量分析系统,用于检测玉米中的农药残留,实现了0.59至14.38 μg/kg的低检测限(LOD)。通过该方法,不同来源的玉米样本中发现了不同的外源农药特征,并将其分为六类。基于这些差分分析物,应用了化学计量模型来探讨玉米样品之间的光谱差异,同时观察到部分簇重叠。随后,采用随机森林(RF)模型,实现了卓越的预测表现,训练准确率达到100%,外部验证准确率达98.1%,显示出高的起源可追溯性。因此,该高通量系统结合机器学习,展现出快速检测农药残留和产地识别的巨大潜力,显著促进食品质量监测。
-
食品标签
新鲜蔬菜 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 定量预测/回归分析 红外/拉曼光谱数据出于食品安全原因,根茎类蔬菜等农产品受到关于痕量金属元素(TME)的严格监管。评估这些商品是否符合规定限值通常是通过成本高、耗时的传统分析技术来实现。作为替代方案,我们提出了一种基于反射光谱的、新的快速且可扩展的方法来评估根茎类蔬菜中的TME含量。该方法利用根样本的反射光谱,通过机器学习回归和分类来预测TME的绝对浓度或其是否符合特定阈值。我们的方法已成功应用于预测两种胡萝卜品种在受控条件下根部的镉积累,通过利用根横截面的反射光谱,达到了高达95%的准确率(回归和分类中的R2 = 0.95 和 F1分数 ≥0.96)。我们还探索了使用胡萝卜叶片或未去皮胡萝卜的非破坏性模型,分别对根镉的预测达到了中等到高准确率(0.48 < R2 < 0.87 和 64 < F1分数 < 90)。我们的模型在面对变化的镉限值时表现出稳定的准确性,并能够识别可见光和短波红外区域光谱中对预测贡献最大的波长。因此,我们的研究为评估从田间到收获的农产品中的TME合规性开辟了令人鼓舞的前景。
-
智能食品组学在食源性疾病危害物与病原体诊断和鉴定中的定义与策略
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Dangang Shangguan, Yuanliang Wang, Qi Huang & Yi-Kun Wang
食品标签
食品安全与风险评估 微生物安全 化学污染物 组学与高通量技术计算机标签
分类/鉴别/等级评定 组学数据背景:食源性疾病被定义为因摄入进入人体的各种毒素、有害物质和病原体而引起的疾病,通常伴有感染或中毒症状。对有害物质、毒素和病原体进行系统筛查是预防和控制食品风险、保护消费者免受食源性疾病侵害的前提和基础。人工智能技术的引入促进了食品组学的发展,并为食品中有害物质和病原体的智能筛查、分析以及食源性疾病的诊断提供了新的解决方案。人工智能驱动的食品组学是一种新兴且前景广阔的食品分析策略,可以大大加快食品中有毒有害物质的筛查,特别是对未知或新有毒物质的分析和非靶向筛查。
范围和方法:在本综述中,我们首先从人工智能的角度定义了智能食品组学的概念,提出了智能食品组学的可行工作流程,并从不同角度总结了智能食品组学在食品危害物和病原体筛查研究中的最新进展,并评估了其优缺点。最后,我们讨论了智能食品组学发展的前景和机遇。
主要发现和结论:作为一种可行的范式,智能食品组学在食品中有害物质、毒素和病原体的筛查、分析以及食源性疾病的诊断方面展现出巨大的应用潜力。智能食品组学有助于分析和发现新的未知毒素、创新食品病原体或有害物质的高通量筛查和风险评估,以及对食源性疾病进行诊断和鉴定。未来,智能食品组学与其他方法的深度融合无疑将推动食品安全分析和食源性疾病诊断的发展。本综述为人工智能驱动的食品组学策略提供了有用的参考,以进一步弥合从实验室规模研究到转化性食品工业安全评估和食源性疾病临床诊断的差距。 -
基于SERS的食品饮料中微纳塑料检测的最新进展:技术、仪器与机器学习集成
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Seyedehalaleh Kousheh & Mengshi Lin
食品标签
饮料 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 缺陷/异物检测与定位 红外/拉曼光谱数据背景:食品和饮料中微纳塑料的存在因其潜在的健康风险和环境影-响而引起了极大的关注。在食品和饮料等复杂基质中准确检测MNPs对于保护公众健康至关重要。表面增强拉曼光谱通过金属纳米结构放大拉曼信号,实现了灵敏、快速、非破坏性的MNP检测,允许精确的识别和表征,使其成为食品安全监测的重要工具。
范围和方法:本综述探讨了使用SERS检测MNPs相关的各种挑战。它深入研究了SERS的关键方面,如仪器校准、基底设计和先进设备配置,以提高检测灵敏度和可靠性。此外,该综述考察了不同食品和饮料类别的现有研究,以确定研究空白和需要进一步调查的领域。集成机器学习提高了检测准确性,简化了数据分析,并提供了可行的见解,帮助研究人员优化工作流程并扩展SERS在食品安全中的应用。
主要发现和结论:SERS已被证明是检测食品和饮料中MNPs的一种高效技术,具有无与伦比的灵敏度,能够在复杂基质中对痕量水平的塑料颗粒进行表征。基底设计和仪器配置的创新显著提高了其实用性,而便携式SERS设备实现了实时、现场检测。将ML与SERS集成增强了数据解释、检测准确性和自动化。这种协同作用加强了SERS作为食品安全监测和公共卫生关键工具的地位,以更高的效率和可靠性应对关键问题。