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 1098 条结果
-
利用无损检测技术评估谷物质量和定量方面的最新进展:综述
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区食品标签
谷物/块根/豆与坚果类 品质、结构与理化性质 食品安全与风险评估 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 可见光/RGB/视频数据 红外/拉曼光谱数据谷物作为主食在全球范围内被广泛消费,因其提供了必需营养素。其质量属性越来越受到营养学家和科学家的关注。新兴的无损检测技术因其在定性和定量特性检测方面具有非侵入性和快速性的特殊优势而展现出广阔前景。此外,目前尚未发现涵盖所有结合化学计量学的谷物无损检测技术的综述文章。考虑到这一点,本文旨在提供一篇深入且最新的综述文章。
范围与方法:传统方法和用于谷物质量监测的无损检测技术都发挥着重要作用。与传统技术相比,无损检测技术克服了传统技术耗时、繁琐、离线且具有破坏性的局限性。
主要发现与结论:本文介绍了近红外光谱、红外光谱、拉曼光谱、荧光光谱,以及比色传感器阵列、基于成像的技术和数据融合策略,作为谷物质量、真实性和鉴别的有前景的技术。文中还记录了基于人工智能和机器学习的化学计量学方法的应用。本综述还涵盖了与谷物加工相关的挑战,这些挑战需要在未来的研究中加以解决或探讨。 -
利用蔬菜废弃物和副产品滋养健康肠道菌群:当前证据、机器学习与计算工具在设计新型微生物群靶向食品中的应用
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区食品标签
水果/蔬菜与菌菇类/植物类 可持续性与资源高值化 营养与生物功能 膳食纤维与抗性淀粉计算机标签
机器学习/统计学习 大模型与 LLM 知识抽取与语义理解 文本/知识库/法规数据 多模态/融合数据食物浪费管理是全球粮食安全和环境友好治理的关键问题。全球范围内,供人类消费的食物中有三分之一在食物供应链中损失或浪费,其中初级生产和食品加工环节的损失最为显著。因此,实现零浪费生产方案正成为实现可持续发展目标的一个优先事项。越来越多的证据表明,蔬菜类食物废弃物是多种碳水化合物结构和纤维的丰富来源,为识别和开发增值农业食品废弃物的替代方法提供了机会。
范围与方法:本综述描述了通过生产针对肠道菌群调节的(新型)底物来实现蔬菜废弃物和副产品的价值化,强调了原材料和碳水化合物的结构功能特性的重要性。此外,我们基于机器学习和应用于现有文献及公共数据库信息的其他计算工具,提出了一个用于理性选择具有潜在益生元活性的蔬菜来源的新框架。
主要发现与结论:从不同角度整合蔬菜食物废弃物价值化领域的知识体系,可以理性选择具有前景的益生元活性的碳水化合物基底物。通过利用基于结构、功能和基因组数据的计算工具探索膳食纤维与肠道微生物生态系统之间的相互作用,我们可以识别出有潜力选择性刺激肠道共生菌的底物,这与实验证据一致。我们的方法建立了一个可扩展至多种共生微生物和碳水化合物结构的新框架。 -
基于数字图像处理的食品质量评估综述
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区食品标签
品质、结构与理化性质 理化与结构表征 统计建模与仿真计算机标签
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 可见光/RGB/视频数据近年来,信号处理技术和计算能力的进步增加了计算机视觉技术在农业、食品加工、生物医学和军事等不同应用领域的关注度。特别是在农业和食品加工领域,计算机视觉可以替代大多数用于筛选种子、谷物和食品质量的手动方法。
范围与方法:本研究旨在综述计算机视觉技术在预测各种原材料和食品质量方面的最新进展。本综述重点关注利用数字图像处理(DIP)技术对谷物、蔬菜、水果、饮料、肉类、海鲜和食用油进行的质量测定。多项研究报道了DIP技术在食品特征提取、分类和质量预测方面的成功应用。DIP算法用于从图像中提取显著特征,这些特征进一步作为机器学习(ML)算法的输入,以根据不同标准对食品进行分类。深度学习(DL)算法改进了这些特征提取方法。DL算法可以自动提取特征,从而获得更高的准确性。DL算法需要大量的数据管理和计算资源,这可能是一个主要限制。
主要发现与结论:已有大量文献涉及利用计算机视觉算法进行食品质量评估,但它们缺乏商业化应用。目前尚未为此特定目的开发基于安卓的应用程序。配备质量评估功能的用户友好、低成本、便携式设备将有助于实时快速测量食品质量。 -
数字化和人工智能促进可持续食品系统
查看原文2022
Trends in Food Science & Technology
中科院一区JCR一区食品标签
可持续性与资源高值化 质量管理与追溯系统计算机标签
机器学习/统计学习欧盟委员会(EC)发布了《欧洲绿色协议》通报,为欧洲的根本转型设定了路径。该政策的关键要素是构建一个完全可持续的食品系统,这在“从农场到餐桌”战略中得以明确。该战略需要采取系统方法,全面考虑与充足和健康食品生产及消费相关的所有方面,包括经济、环境(气候、生态系统)和社会层面。范围与方法:本文介绍了遵循欧盟所倡导的“从农场到餐桌”原则的食品生产系统方法概念,并阐述了数字化和人工智能(AI)如何应对可持续食品系统带来的挑战。主要发现与结论:本文提出了一系列研究和创新挑战,并通过具体案例加以说明。结论认为,人工智能和数字化在支持向可持续食品系统转型方面具有巨大潜力。这一发展将影响从农民到消费者的整个价值链中参与者的角色和互动。本文为未来在可持续食品生产中成功实施人工智能提出了政策建议。
-
人工智能技术在食品安全中的应用:一种行为学方法
查看原文2022
Trends in Food Science & Technology
中科院一区JCR一区食品标签
食品安全与风险评估 感官科学与消费者研究 其他感官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 定量预测/回归分析 知识抽取与语义理解 文本/知识库/法规数据 多模态/融合数据食品安全对我们的健康与生存至关重要。当今食品系统的复杂性和精密性要求我们利用尖端技术维持最高的食品安全标准,以保护消费者免受食源性疾病的侵害,同时降低食品公司因召回成本和可能的声誉损害而损失数百万美元的风险。食品安全管理体系提供了一种包含程序、培训和监测的综合策略,旨在预防食品安全危害并最小化风险和召回事件。为提高食品安全管理体系的有效性和效率,有必要使用预测性工具来进一步增强对仅在问题发生后获得的指标——滞后指标——的利用。人工智能通过利用数据来开发能在问题出现前识别问题的指标——先行指标,从而实现了一种主动的数据驱动方法。本文旨在阐述人工智能如何利用行为数据来开发食品安全先行指标。
范围与方法:为实现上述目标,本文分为以下几个部分:[1] 论证开发食品安全先行指标的必要性;[2] 阐明人工智能如何帮助食品安全专家开发先行指标;[3] 发展如下概念:行为数据(如工作场所文化分析)是识别能预测食品安全问题的先行指标的关键资源;以及[4] 关于如何利用人工智能算法分析行为数据以预测食品安全问题的建议和潜在路径。
主要发现与结论:关于如何将行为数据与最先进的人工智能发展相结合以形成解决食品安全问题的行为学方法的建议和示例。