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
标签记录（计算机学者）
共 1098 条结果
-
机器学习支持的挥发性有机化合物检测与分析在食品质量与安全中的机制性综述
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
食品标签
研究对象/基质维度 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 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据近年来，随着食品消费量的增加和消费者对食品质量保证意识的提高，食品质量与安全受到更多关注。挥发性有机化合物（VOCs）检测分析技术因其非破坏性、环境友好、连续和实时监测的优点，成为评估食品质量的强大工具。机器学习（ML）支持的电子鼻（EN）、比色传感器阵列（CSA）以及气相色谱（GC）联用技术（例如GC-MS和GC-IMS）正成为食品科学领域的研究热点。
范围与方法：本综述介绍了这些技术的基本原理、优势和局限性，以及ML在应用场景中的实施细节。特别地，基于食品VOC检测分析的最新案例，讨论了ML在数据处理、建模和性能评估方面的基本原理，随后阐述了ML在食品研究不同领域（包括产地溯源、掺假、质量控制和病原体检测）中的综合应用。
主要发现与结论：随着并行计算、计算机视觉和气味成像等ML技术的发展，CSA和EN等新技术正在取代传统的GC用于VOC检测与分析。食品工业中许多以前棘手的问题，例如食品产地溯源和食品掺假，已通过先进的ML算法得到解决。然而，食品VOC检测与分析中正在出现新的挑战，研究人员正在探索新的解决方案，例如边缘/云计算、EN传感器漂移和CSA标准化制造，以解决更多的食品质量和安全问题。 -
人工智能在食品科学、技术与工业中的应用进展
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
食品标签
可持续性与资源高值化 加工与新加工技术 食品安全与风险评估 感官科学与消费者研究计算机标签
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 设计/生成与推荐 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据食物对于人类生存具有优先性和重要性，同样，食品科学也在世界范围内发挥着重要作用。因此，食品科学、食品技术、食品工业、食品加工、人类营养、功能食品和营养保健品主导着人们的日常生活，以实现健康的生活方式。在此之前，农业为食品提供了初级必需品。在农业阶段，消除有害化学物质和微生物至关重要。下一步，在食品加工中，需要检查多项标准以获得合格的食品产品，例如食品质量和食品安全。此外，评估食物摄入量支持了饮食中与营养相关的各个方面。范围与方法：如今，尖端技术，特别是人工智能及其分支机器学习，以其优势和劣势，在不同学术和工业领域中的应用日益普及。食品科学与技术及相关议题也不例外。改进农业、促进作物分类、开发配方及新型食品与营养相关产品、进行更精确的感官评价、优化工业加工、提高食品质量、确保食品安全、管理供应链、废物再利用，以及最终估算热量和营养成分，这些都是食品科学与人工智能相结合所取得的部分成就。精确的感官评价尤其通过电子鼻、生物电子舌/电子舌和机器视觉来实现。主要发现与结论：在农业、食品科学和营养领域应用人工智能算法，可以形成一个智能化的从农场到餐桌的循环，并在此科学突破中实现显著改进。
-
深度学习在食品真实性中的应用：近期进展与未来趋势
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
食品标签
食品安全与风险评估 品质、结构与理化性质计算机标签
深度学习 卷积神经网络 循环神经网络 生成对抗网络 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据Background: The development of fast, efficient, accurate, and reliable techniques and methods for food authenticity identification is crucial for food quality assurance. Traditional machine learning algorithms often have limitations when handling complex sample data, exhibiting a suboptimal performance, particularly when addressing intricate problems and in large-scale data applications. In recent years, the emergence of deep learning algorithms has heralded revolutionary breakthroughs in the field of food authenticity identification, and the ongoing deep learning developments will continue to propel advancements in this field.
Scope and approach: This review presents an overview of the deep learning algorithms and various categories of deep neural network models and structures, including the multilayer perceptron (MLP), convolutional neural network (CNN), recurrent neural network (RNN), autoencoder (AE), generative adversarial network (GAN), and attention mechanism (AM). It also summarizes the applications of these models, as well as the use of integrated models together with various analytical techniques in food authenticity. In addition, the latest developments and trends in deep learning in this field are discussed.
Key findings and conclusions: The formidable capabilities of deep learning algorithms, in synergy with a broad array of analytical techniques, enhance the precision and efficiency of the analysis of the diverse food components. Concurrently, they have distinct advantages over traditional machine learning algorithms, showing significant potential for food authenticity identification. Although the use of deep learning still faces some challenges, with continuous technological advancements, more deep learning applications are expected to emerge in the food industry in the future to safeguard food authenticity.
中文摘要：背景：开发快速、高效、准确、可靠的食品真实性鉴别技术和方法对于食品质量保证至关重要。传统的机器学习算法在处理复杂样本数据时常常存在局限性，表现欠佳，特别是在处理复杂问题和大规模数据应用时。近年来，深度学习算法的出现预示着食品真实性鉴别领域取得了革命性突破，并且不断发展的深度学习将持续推动该领域的进步。
范围与方法：本综述概述了深度学习算法以及各种深度神经网络模型和结构，包括多层感知机、卷积神经网络、循环神经网络、自编码器、生成对抗网络和注意力机制。同时总结了这些模型的应用，以及集成模型与多种分析技术在食品真实性中的联合使用。此外，讨论了该领域深度学习的最新进展和趋势。
主要发现与结论：深度学习算法的强大能力，与广泛的分析技术相结合，提高了对不同食品成分分析的精确度和效率。同时，它们相对于传统机器学习算法具有明显优势，在食品真实性鉴别方面显示出巨大潜力。尽管深度学习应用仍面临一些挑战，但随着技术的不断进步，预计未来食品行业将出现更多的深度学习应用，以保障食品真实性。 -
智能技术在茶产业中的兴起
查看原文
2024
Trends in Food Science & Technology
中科院一区JCR一区
食品标签
茶/茶饮料 品质、结构与理化性质 食品安全与风险评估 过程控制与数字化计算机标签
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 缺陷/异物检测与定位 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据茶是一种全球重要的农产品，以其经济和文化价值而闻名。茶叶的种植和生产过程涉及茶园管理、病虫害控制、采摘、加工、分选以及安全与质量评估。茶叶质量受品种、环境、采摘和加工等诸多因素影响。然而，茶叶质量评估通常依赖人工经验和专业知识，这伴随着主观性和不一致性。此外，茶叶生产过程还面临病虫害预测与检测、供应链监控和可追溯性等若干挑战。
范围与方法：本综述介绍了应用于茶产业的智能技术，包括计算机视觉、机器学习、光谱技术、人工传感器、大数据、物联网和区块链。我们总结了智能技术在茶产业中的应用进展，分析了现有挑战和不足，并提出了未来的研究趋势。该综述有望为智能技术在茶产业中的应用提供新的见解，以构建透明、可追溯、可持续的茶产业链。
主要发现与结论：智能技术在茶产业中具有广阔的应用前景，可提升产品质量、效率、透明度和可追溯性。特别是，智能技术的结合可能会带来更好的性能。开放数据集对于存储海量信息是必要的。智能技术的标准化为可持续茶产业的发展奠定了坚实基础。此外，向便携式设备转型是响应茶叶市场需求的最主要方向。 -
深度学习在食品安全与真实性检测中的综合评述与未来展望
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
食品标签
食品安全与风险评估 过程控制与数字化计算机标签
深度学习 卷积神经网络 生成对抗网络 多模态基础模型 分类/鉴别/等级评定 多模态/融合数据食品安全是一个重要的公共卫生问题，深度学习算法可以为食品安全和真实性检测提供有力的工具和方法。与化学计量学算法和传统机器学习算法相比，深度学习算法在多方面的性能都有所提升。通过学习和分析大量数据，深度学习模型能够提高食品安全和真实性检测的效率和准确性，有助于保障公共卫生与安全。
范围与方法：本文综述了一些常用的化学计量学算法、传统机器学习算法和流行的深度学习算法。其中，特别关注了卷积神经网络（CNN）、全卷积网络（FCN）和生成对抗网络（GAN）。此外，强调了GAN对CNN的辅助作用。最后，本文回顾了深度学习算法在食品安全和真实性检测领域的最新应用，并展望了深度学习算法在该领域面临的挑战和未来发展方向。
主要发现与结论：尽管深度学习在食品安全和真实性检测领域已取得诸多成果，但仍具有巨大的发展潜力。例如，GAN的数据增强功能可以帮助CNN获得更多训练样本，从而提高识别率。此外，多模态神经网络（MNN）或多模态注意力网络（MAN）也可用于实现来自不同模态的数据融合，以进一步提高深度学习算法的鲁棒性和准确性。
