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
-
基于计算机视觉与深度学习的食品营养素检测方法:新视角与进展
查看原文2024
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 肉类/蛋类与水产品 水果/蔬菜与菌菇类/植物类 品质、结构与理化性质 营养与生物功能计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据营养在维持人类健康方面起着至关重要的作用。用于评估食品成分和营养含量的传统方法通常需要破坏性样品制备,耗时且成本高。因此,基于计算机视觉的方法已成为有前景的替代方案,能够实现对食品中各种营养参数的快速、无损分析。范围与方法:本综述总结了计算机视觉在肉类加工、谷物、水果蔬菜和海产品中的应用。我们回顾了用于食品识别和营养估计的计算机视觉和深度学习算法的最新进展,并对现有的食品识别和营养估计数据集进行了综述。主要发现与结论:传统方法存在一定局限性,而基于视觉的技术能提供快速、无损的食品成分与营养含量分析。计算机视觉和深度神经网络架构为食品营养素测量提供了显著准确性。总之,基于深度学习的模型正在为营养与健康优化研究铺平道路,迈向充满前景的未来。未来,视觉技术有望通过实现更快速、经济、准确的营养分析,从而改变食品分类与检测方式。因此,计算机视觉正发展成为一种在不破坏样品的情况下快速、精确评估食品营养素的有用工具。
-
基于机器学习的光谱食品掺假检测:当前挑战与未来展望
查看原文2024
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 化学污染物 过程监测与在线检测计算机标签
机器学习/统计学习 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据食品掺假已成为食品行业面临的重大挑战,影响着消费者的健康和市场信任。利用机器学习,特别是深度学习与光谱方法,已经彻底改变了食品掺假检测方式,使得开发更为复杂和自动化的解决方案成为可能。
范围与方法:本综述旨在全面概述基于机器学习的光谱技术在检测食品掺假方面的挑战与机遇,探讨了食品行业中常用的各种光谱技术,如红外光谱、拉曼光谱、核磁共振光谱、荧光光谱、多光谱成像和高光谱成像。文章讨论了数据预处理、特征工程、模型复杂性、可解释性及其性能,以及对大规模多样化数据集的需求。
主要发现与结论:要开发一个采用机器学习的商业化光谱掺假检测系统,不仅需要优化模型,还需要优化数据集大小、预处理方法的组合、特征选择与提取方法、模型选择、通过验证调整的超参数以及性能标准。此外,新的机器学习算法正在迅速发展,但利用光谱技术创建专门的掺假检测模型仍然是一个研究领域。 -
工业食品质量与消费者选择:基于人工智能的工具在舒适食品(咖啡、可可和茶)感官化学中的应用
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区食品标签
饮料 茶/茶饮料 咖啡饮料 品质、结构与理化性质 食品安全与风险评估 感官科学与消费者研究 组学与高通量技术计算机标签
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 组学数据 质构/流变/感官数据食品质量是一个多层面的、不断发展的概念,涵盖生产链的各个环节。从传统分析转向综合策略的驱动力,是为了满足这种扩展的质量定义。范围与方法:食品组学,特别是关注将化学成分与感官特性联系起来,对于咖啡、可可和茶等为享受而非营养选择的舒适食品至关重要。在食品组学中,更大、更复杂的数据集需要基于人工智能的工具来解码加密信息。主要发现与结论:全球咖啡、可可和茶的供应链涉及众多受社会政治不稳定和气候变化影响的小农场。经济动机驱动欺诈行为,导致不公平竞争、消费者信心丧失和安全问题。基于人工智能的工具增强了对数据的理解以获得知识,但挑战包括学术界与产业界之间的不一致、用于AI应用的工业样品有限、学术培训的缺口、算法的复杂性以及决策解读的误区。
-
大语言模型在食品科学中的创新、应用与未来
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 感官科学与消费者研究 过程控制与数字化 标准/法规/数据库分析计算机标签
大模型与 LLM 大语言模型 知识抽取与语义理解 文本/知识库/法规数据大语言模型在食品科学中的重要性日益凸显,正在改变食谱开发、营养分析、食品安全和供应链管理等领域。这些模型将复杂的决策制定、预测分析和自然语言处理能力带入食品科学的各个方面。范围与方法:本综述重点探讨了LLMs在增强食品科学,特别是食品安全方面的应用,重点关注污染物检测和风险评估。它讨论了人工智能和LLMs在法规合规和食品质量控制中的作用。文中讨论了数据偏差、错误信息风险以及实施障碍(包括数据限制和伦理问题)等挑战。同时强调了跨学科合作对于克服这些挑战的必要性。主要发现与结论:LLMs在自动化流程以及提高全球食品系统的准确性和效率方面具有巨大潜力。成功的实施需要持续的更新和伦理考量。本文为学术界、产业界专业人士和政策制定者提供了关于LLMs对食品科学影响的见解,并强调了该领域跨学科努力的重要性。尽管存在潜在挑战,LLMs在食品科学中的整合预示着变革性的进步。
-
食品安全中潜在的新型微生物危害监控工具:代谢组学与人工智能的融合
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 微生物安全 组学与高通量技术 代谢组学计算机标签
深度学习 模型设计/优化策略 分类/鉴别/等级评定 定量预测/回归分析 组学数据 多模态/融合数据为实现可持续的食品加工环境,对病原体进行稳健且实时的监控尤为重要。因此,近年来,整合代谢组学与人工智能以实现早期检测、识别和微生物风险预测的新方法受到了研究者的广泛关注。然而,数据获取、质量控制和真实性评估方面标准化流程的缺失仍然阻碍了该领域的发展。此外,训练模型以准确管理食品基质内控所需的大型数据集,以及缺乏适用于所有场景的通用模型,也是需要解决的挑战。范围与方法:代谢组学与深度学习结合已显示出在食品微生物监测中的巨大潜力。本综述涵盖了该领域的已报道应用,并着重强调了微生物污染物的早期检测。文中比较了传统与新型代谢组学技术,并讨论了该领域的局限性、挑战与