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
-
振动光谱结合机器学习用于植物性食品污染物筛查的来源、进展与未来展望
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Tong Yu, Siyu Yao, Zhongkun Zhang, Alessandra Fantina Victorio Ramos, Luis Rodriguez-Saona & Jin Wang
食品标签
食品安全与风险评估 微生物安全 化学污染物 过敏原与毒性问题 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
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据背景:近年来,植物基食品在食品科学研究中获得了极大关注。随着植物肉、植物奶等植物基产品日益普及,确保其安全性变得至关重要,特别是应对农药残留、重金属、霉菌毒素和过敏原等污染物带来的挑战。因此,当前研究正在探索快速准确检测植物基食品中污染物的方法。
范围与方法:本文全面综述了植物基食品中污染物的来源,以及利用振动光谱结合机器学习检测这些污染物的最新进展。振动光谱与机器学习的结合已成为一种先进的检测方法,涵盖了近红外、中红外、拉曼光谱及成像技术。此外,本综述还探讨了利用这些技术开发的便携式设备和智能AI软件的进展,它们正日益满足快速高效食品安全评估的需求。
主要发现与结论:振动光谱与机器学习的结合显著提高了植物基食品污染物检测的效率,具有高灵敏度、高特异性和自动化等优势。未来,随着便携式设备和开放式人工智能的进一步应用,该领域有望实现更广泛的应用。通过整合技术创新,振动光谱结合机器学习能够在保障公众健康的同时,确保植物基食品行业的可持续发展。 -
在无镉和镉环境下,利用荧光高光谱成像检测生菜叶片中的硒含量
查看原文2025
Food Chemistry
中科院一区JCR一区Lei Shi, Jun Sun, Sunli Cong, Xingyu Ji, Kunshan Yao, Bing Zhang & Xin Zhou
食品标签
新鲜蔬菜 品质、结构与理化性质 化学污染物 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
卷积神经网络 模型轻量化/边缘计算 定量预测/回归分析 高光谱/多光谱光谱本研究旨在探讨利用荧光高光谱成像(FHSI)在复杂环境(无镉环境和镉环境)下检测生菜叶中硒含量的可行性。因此,提出了多模差分感知竞争性自适应加权抽样(MDCARS)以在复杂环境中选择镉相关特征,并与ResNet卷积神经网络(RCNN)集成,用于硒含量的定量预测。MDCARS选择了比常见方法更优于可解释性和模型验证结果的特征,从而突出其在复杂数据源中的优势。此外,RCNN的表现优于其他模型,并与MDCARS结合,实现了在复杂环境下生菜叶中硒含量的最佳预测,R为2pRMSEP和RPD值为0.8975,0.0487 mg•kg。−1分别为3.1240。因此,FHSI结合MDCARS和RCNN为预测复杂环境下生菜叶片中的硒含量提供了可行的方法。
-
使用表面增强拉曼光谱结合深度学习模型对花生油中黄曲霉毒素B1进行快速无标记检测
查看原文2025
LWT
中科院一区JCR一区Dingding Wang, Tanvir Ahmad, Shaimaa A. Khalid, Ahmed S. Abo Dena, & Yang Liu
食品标签
植物油 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 循环神经网络 支持向量机 随机森林 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提出了一种用于快速、无标记且高灵敏度检测花生油中黄曲霉毒素B1(AFB1)的新方法,该方法结合了表面增强拉曼光谱(SERS)和深度学习模型。合成了银包覆金纳米颗粒(Au@Ag NPs)作为SERS基底。采用共焦拉曼光谱仪获取加标AFB1的花生油样品的拉曼光谱。随后,对收集到的SERS光谱数据进行了增强和预处理,以提高回归模型的泛化能力。共开发了六种回归模型,包括偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林回归(RFR)、卷积神经网络(CNN)、长短期记忆网络(LSTM)以及结合CNN-LSTM的模型。结果显示,CNN-LSTM 模型能够有效捕捉复杂的非线性关系,减少对参数调整的依赖,并最小化过拟合。它还能够有效处理大规模数据集,降低计算负担。CNN-LSTM 模型在预测性能方面表现出色,决定系数 (R² P) = 0.9892,预测均方根误差 (RMSEP) = 0.2104,性能偏差比 (RPD) = 6.8723,同时灵敏度极佳 (LOD = 0.31 μg/kg)。这些结果表明,该方法能够在花生油中实现快速、无标记、高效的 AFB 1 检测,并具有显著的实时监测应用潜力。
-
氮硫功能化3D壳聚糖海绵对汞的静态和动态吸附性能及其机器学习评估
查看原文2025
Carbohydrate Polymers
中科院一区JCR一区Xianghua Wu, Zhiheng Zhang, Haiying Lin, Qingge Feng, Bin Xue, Mingen Li, Zixuan Chen, Jiatong Lv & Lianghong Li
食品标签
碳水化合物配料 化学污染物 过程优化与控制策略 常规理化指标测定 碳水化合物与糖类计算机标签
其他深度学习结构 梯度提升决策树 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据本研究开发了一种氮和硫功能化的三维(3D)壳聚糖海绵(N,S-CS),用于从水溶液中有效去除汞。在静态和动态条件下对吸附性能进行了评估。采用了包括人工神经网络(ANNs)和极端梯度提升(XGBoost)在内的多种机器学习模型来预测吸附容量并优化工艺参数。N,S-CS 对汞离子表现出出色的吸附能力,而机器学习模型能够准确预测吸附行为。这项工作展示了将功能化生物聚合物材料与机器学习相结合以有效去除重金属的潜力。
-
烤羊肉中多环芳烃分析机器学习:来自光谱和化学数据的新见解
查看原文2025
Food Chemistry
中科院一区JCR一区Jie Hao, Jiarui Cui, Sijia Liu, Yu Lv, Zhongxiong Zhang & Songlei Wang
食品标签
畜肉 化学污染物 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 生成对抗网络 定量预测/回归分析 合成/仿真数据为主羔羊烘焙过程中产生的多环芳香烃(PAHs)存在健康风险,但由于其浓度低且特性复杂,难以预测。现有模型未能解决PAHs分析中数据稀缺性和低浓度预测准确性的问题。通过熵加权法(EWM)推导的综合PAHs指数(CPI)结合自动编码器和生成对抗网络(AE-GAN),可能克服这些局限。我们将EWM与AE-GAN(用于合成数据增强)集成,并利用偏最小二乘回归(PLSR)、卷积神经网络(CNN)和贝叶斯回声状态网络(Bayes-ESN)开发预测模型。当历元=3000且数据量增加750时,贝叶斯-ESN模型表现最佳(RP2= 0.8238),证明了AE-GAN在缓解数据稀缺性方面的有效性。EWM、AE-GAN和贝叶斯ESN的结合,为预测烤肉中多环节烴(PAHs)水平提供了有力的解决方案,通过增强生成回归协同效应推动食品安全控制。