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
-
机器学习辅助纳米传感器阵列:一种高效的高通量食品检测分析
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/回归分析如何通过低成本、易操作和高通量的方式及时识别食品质量是食品工业,特别是在资源有限地区的一个重要里程碑。通过与生物分子(如抗体和适体)集成,纳米传感器已成为大规模筛查中标准设备分析的替代品。然而,生物分子昂贵的成本、“锁钥”式结合无法解决某些问题(如食品新鲜度)以及新出现的食品风险严格限制了其在食品工业中的发展。此外,不含生物分子的纳米传感器容易受到非特异性干扰,导致检测结果不可靠。因此,一些研究集中于使用纳米材料作为受体的传感器阵列来解决上述问题,该方法基于多个信号响应为每种分析物生成独特的指纹。
范围与方法:本综述全面讨论了用于高效高通量食品检测分析的机器学习辅助纳米传感器阵列,主要包括纳米传感器阵列的候选材料、常用的机器学习算法及其在食品应用(如食源性危害、食品成分、食品新鲜度、食品产地和食品掺假)中的应用。此外,我们提出了机器学习辅助纳米传感器阵列在食品应用中的挑战和前景,以弥合当前发展瓶颈的差距。
主要发现与结论:本文提出了用于食品工业高效高通量检测分析的机器学习辅助纳米传感器阵列。 -
深度学习方法、脑电图及现代分析技术在味觉肽筛选、评估及机制分析中的最新进展与应用
查看原文2024
Trends in Food Science & Technology
中科院一区JCR一区食品标签
食品添加剂与配料 蛋白质配料 营养与生物功能 感官科学与消费者研究 特征风味 消费者偏好与接受度计算机标签
深度学习 模型设计/优化策略 分类/鉴别/等级评定 定量预测/回归分析味觉肽是能够改善食品风味和适口性的寡肽。由于其独特的味道特性和营养价值,味觉肽的开发已成为食品调味研究和商业应用的热点。基于传统实验方法筛选和评估味觉肽效率低下且劳动密集。深度学习与脑电图技术可实现味觉肽的高通量筛选及味觉机制分析,因而受到广泛关注。
范围与方法:本综述总结了味觉肽的结构特征、味觉细胞及其亚型,以及味觉转导的细胞机制。重点聚焦于利用深度学习模型进行味觉肽的高通量筛选。此外,还综述了评估味觉强度及阐明味觉肽味觉机制的方法。
主要发现与结论:深度学习在味觉肽高通量筛选中保持了强大的预测性能。值得注意的是,与单一算法相比,结合多种深度学习算法可以提高预测味觉肽的准确性。此外,脑电图、生物电子舌和芯片味觉器官体的应用是评估味觉强度的有效途径,而荧光光谱、表面等离子体共振和分子对接则适用于阐明味觉肽的呈味机制。本综述可为味觉肽的高通量筛选提供有价值的参考,并促进其在调味品行业中的应用。 -
机器学习在食品生物活性化合物筛选中的研究进展
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区食品标签
营养与生物功能 抗氧化/抗炎等功能 血糖、血脂与代谢相关功能计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析食物中含有丰富的生物活性化合物,这些化合物在人类健康中起着至关重要的作用。然而,筛选食品生物活性化合物的传统方法昂贵、耗时且劳动密集。机器学习技术为筛选潜在的生物活性化合物提供了一种高效且经济的手段,但其在食品领域的应用和研究仍然有限。
范围与方法:为促进食品生物活性化合物的有效筛选并为研究人员提供有价值的见解,本文介绍了构建机器学习模型的过程,包括数据准备、分子表示、机器学习算法选择和评估方法,并重点阐述了近年来机器学习在筛选具有不同生物活性的食品生物活性化合物方面的进展。此外,本文提出了当前存在的主要局限性、挑战,并建议了未来的研究方向。
主要发现与结论:利用机器学习筛选食品生物活性化合物的研究已取得一定进展,特别是在具有抗氧化和抗高血压活性的肽类以及具有降血糖活性的非肽类化合物方面。针对不同的生物活性建立机器学习模型存在不同的局限性和挑战。为确保高质量的机器学习模型,需要根据实际情况仔细考虑建模过程的每个步骤。未来,为进一步推动机器学习在食品领域的应用,有必要建立全面的食品生物活性化合物数据库,提高数据集的质量和数量,增强深度学习的可解释性;将机器学习与其他技术结合;整合分类与回归模型;从多个方面综合评估化合物;并开发能够预测多种生物活性的模型。 -
人工智能在茶叶检测中的进展:策略、进步与未来展望
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区食品标签
茶/茶饮料 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 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 红外/拉曼光谱数据 时序传感器/物联网数据茶叶是发展中国家的关键经济作物,对农村发展、减贫和粮食安全至关重要。茶叶消费因其抗炎和抗氧化特性而有益健康。实现从茶园到茶杯的茶价值链可持续发展是全人类的共同目标。人工智能算法与新兴技术相结合,可提高茶叶质量检测的效率和准确性,从而促进茶产业健康可持续发展。
范围与方法:本文综述了人工智能中常见的机器学习和深度学习算法,概述了它们的优势和局限性。重点介绍了在人工智能算法辅助下,应用传感器技术和光谱技术高效检测茶叶质量。最后,总结了人工智能算法在茶叶安全检测和分类方面的进展,并讨论了传感器技术、光谱技术以及人工智能在茶叶质量检测中面临的挑战与未来展望。
主要发现与结论:人工智能算法高效的模式识别能力及对新数据的快速适应性,推动了数据驱动的决策制定和技术发展的创新。尽管在人工智能辅助的传感器和光谱技术用于茶叶及食品质量安全检测方面已取得显著成就,但仍存在巨大的发展潜力。将人工智能与各种新兴技术相结合,能够为茶叶质量安全检测提供更全面、更深入的支持,从而保障公众健康与安全。 -
通过机器学习桥接气味分子与嗅觉感知: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
感官科学与消费者研究 特征风味 感官评价与方法学计算机标签
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/拉曼光谱数据在人类嗅觉感知(OP)和气味分子化学(OC)领域,已经积累了大量的数据,并致力于构建经验上有效且适用的模型。机器学习(ML)非常擅长处理大量数据并生成复杂模型。最近,人们对利用ML来弥合OC与OP之间差距的潜力产生了浓厚兴趣。
范围与方法:本综述简要讨论了ML在OC场景中的应用,并概述了最常用的模型。它重点介绍了所选择的输入信息,从数据可变性的角度概述了ML在OC中的应用。
主要发现与结论:虽然基于标准化数据的预测模型在气味定量方面很有价值,但它们在混合化合物中的应用有限。分子结构图和空间属性的引入扩展了气味空间,而基于仪器采集数据生成的模型主要用于区分气味类型。气味描述通常被直接用于影响模型生成,但具有主观性和海量性,需要经过解释过程。同时,客观数据无法提供对气味的全面描述。本文展望了气味预测的未来,提供了对该领域发展动态的见解。预计未来将利用ML来促进对气味分子和人类嗅觉感官机制更深入的理解,从而为该领域做出宝贵贡献。