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
-
用于食品加工中抗生素耐药大肠杆菌实时检测的机器学习增强型MALDI-TOF质谱
查看原文2025
LWT
中科院一区JCR一区Hong-Ting Victor Lin, Tien-Wei Yang, Wen-Jung Lu, Hong-Jhen Chiang, & Pang-Hung Hsu
食品标签
微生物安全 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品加工中的耐抗生素大肠杆菌对公共健康构成重大风险,因此需要快速检测方法。本研究开发了一种创新方法,将基质辅助激光解吸/电离飞行时间质谱(MALDI-TOF MS)与机器学习相结合,用于快速检测食品加工环境中的耐抗生素大肠杆菌。对食品加工设施中的69个大肠杆菌分离株进行分析,结果显示高耐药率,从碳青霉烯类抗生素的0%到链霉素和复方磺胺甲噁唑-甲氧苄啶等抗生素的100%。这些发现突出显示了严重的食品安全问题,并强调了开发快速检测方法的必要性。在基于MALDI-TOF MS数据训练的机器学习模型中,优化的随机森林模型表现出优越的性能,在不同抗生素的交叉验证中准确率达67%至97%。使用28个食品来源样本进行的验证证实了其对多种抗生素类别(包括青霉素、氯霉素、磺胺类、四环素和氨基糖苷类)的高预测准确性。这种方法为抗生素耐药性检测提供了一种快速、准确的工具,在高通量加工环境中的食品安全监测中具有显著优势。未来的改进应着重提高(氟)喹诺酮类的预测准确性,以实现食品生产中全面的抗微生物耐药性监测。
-
变革性影响:人工智能在不断演进的加工食品领域——聚焦部分食品加工行业的简明综述
查看原文2025
Food Control
中科院一区JCR一区Harsh B. Jadhav, Kamal Alaskar, Vaibhava Desai, Amruta Sane, Pintu Choudhary, Uday Annapure, Jalal Uddin & Gulzar Ahmad Nayik
食品标签
品质、结构与理化性质计算机标签
机器学习/统计学习 定量预测/回归分析 文本/知识库/法规数据加工食品行业主要关注食品质量、营养成分和加工技术,因为消费者期望食品在质地、风味、保质期和感官特性等方面保持一致。随着全球人口不断增长,对食品的需求日益增加,过去几十年来,人工智能(AI)已成为食品行业的一项现代技术。由于人工智能具备执行多种任务的强大能力——包括食品质量评估、过程控制工具、食品分类与预测等——其在加工食品行业中的应用需求显著上升。本文综述了可用于食品领域的人工智能技术,以及人工智能在乳制品、烘焙食品、水果和蔬菜等加工食品细分领域的潜在应用。此外,本综述还对未来的研究空白和研究方向提出了展望。
-
基于合成数据与深度神经网络的质构改良植物基奶昔感官感知属性预测研究
查看原文2025
Food Hydrocolloids
中科院一区JCR一区Miodrag Glumac, Alejandro Avila-Sierra & Maryia Mishyna
食品标签
碳水化合物配料 乳清及乳清制品 其他品质相关性质 常规理化指标测定计算机标签
其他深度学习结构 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主本研究通过开发淀粉与乳清蛋白的共电纺工艺来解决颗粒淀粉固有的局限性,从而制造出具有增强界面性能的复合纳米纤维。淀粉提供结构刚性和pH稳定性,而乳清蛋白则赋予其表面活性。构建并验证了一个深度学习神经网络,用以系统地分析纺丝过程的形态行为,揭示了在纤维构筑上的协同效应。蛋白质的加入促进了完全的珠状到纤维状的转变,并可实现从142至581纳米的精确直径控制。可视化技术证实了蛋白质在碳水化合物骨架中的均匀分布。纺丝后热处理诱导氨基分解,有效减少蛋白质浸出并增强结构完整性。源自热激活复合纳米纤维的棒状颗粒展现出更高的油水界面活性,并形成了稳定的皮克林乳液。本研究利用可食用生物高分子来设计形态和表面性质,并通过深度学习引导的设计扩展了材料应用的边界。
-
利用太赫兹成像技术和深度学习检测小麦杂质
查看原文2025
LWT
中科院一区JCR一区Yuying Jiang, Mengdie Jiang, Tauseef Abbas, Hongyi Ge, Xixi Wen, & Hao Chen
食品标签
小麦 食品安全与风险评估 其他安全问题 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
目标检测网络 缺陷/异物检测与定位 高光谱/多光谱光谱 可见光/RGB/视频数据在小麦收割和运输过程中,各种杂质常常混入小麦中,这不仅影响其质量,还对食品安全构成威胁。传统的小麦杂质检测方法存在检测时间长、准确率低以及对样品造成不可逆损伤等问题。为了解决这些挑战,本文利用太赫兹(THz)波的优势,包括穿透力强、成像分辨率高和无损检测,并提出了基于YOLOv9的小麦杂质分割模型YOLO-seg。该模型能够实现小麦杂质的快速、无损和准确分割。模型使用自建的小麦杂质数据集进行训练,并验证了其在杂质识别和分割方面的性能。YOLO-seg 在识别性能上优于其他模型,实现了 mAP 50、mAP 50:95、精确率、召回率和 F1 分数分别为 95.4%、72.8%、90.6%、92.1% 和 91.4%。相比 YOLOv9,这些指标分别提升了 3%、1.4%、4%、3.8% 和 4%。结果表明,YOLO-seg 与太赫兹成像技术的结合,为小麦杂质识别提供了一种高效、精准且非破坏性的方法。该模型架构具有广泛适用性,可扩展至其他作物的杂质检测,为农业质量控制提供了新颖的技术解决方案。
-
红豆消费者认知的跨文化分析:利用韩日问答话语数据进行主题建模方法
查看原文2025
Food Quality and Preference
中科院一区JCR一区Seo-Young Kim, Hee Jeong Hwang, Daeun Kim, Ra Yoo, Jung Han Yoon Park, Hee Yang, & Ki Won Lee
食品标签
豆类与坚果(及籽类) 感官科学与消费者研究 问卷/市场与消费者研究计算机标签
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 大规模数据集红豆(学名:Vigna angularis),又称小豆,是东亚地区的主要食材,但不同文化中的消费者对其认知和消费习惯存在差异。本研究采用大数据方法,通过分析在线问答讨论来探究韩国和日本之间红豆消费的跨文化差异。我们从在线问答平台(韩国的 Naver Knowledge iN 和日本的 Yahoo! Chiebukuro)收集了超过十年有关红豆的问题。利用潜在狄利克雷分配(LDA)主题建模,我们确定了消费者关注的关键主题。分析显示了不同的文化侧重点:韩国消费者主要关注健康益处,特别是饮食和消肿效果,而日本消费者则更注重烹饪方面,如烹饪方法和口味。此外,季节性分析表明,兴趣在韩国的冬至和日本的新年/春季达到高峰。这些发现为食品行业制定有针对性的营销策略和针对特定文化偏好的产品创新提供了有价值的见解。