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
-
机器学习支持的传感器阵列用于多重食源性病原菌检测与鉴定
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 小样本学习 时序传感器/物联网数据 多模态/融合数据食源性病原菌对食品安全构成重大挑战。传统的基于培养的方法通常耗时耗力,而较新的技术也存在局限性,例如需要专业知识或昂贵的设备。这推动了传感器阵列的发展,如电子鼻(e-nose)和光学传感器阵列,它们使用多个交叉反应性传感器元件来为各种分析物生成独特的指纹。范围和方法:本综述重点介绍了传感器阵列设计的最新进展以及常用作其构建模块的材料。我们概述了构建传感器阵列的四个关键原理:检测挥发性有机化合物(VOCs)、基于抗体的传感器、细菌表面生理学和微环境,以及代谢活动。我们还讨论了机器学习(ML)在传感器阵列解释和输出中的应用。此外,我们探讨了多重病原体检测领域的挑战和新兴趋势。主要发现和结论:细菌细胞包膜微环境和代谢活动在传感器阵列的开发中受到了最多的关注。ML模型不仅在模式识别中起着关键作用,而且在数据预处理等任务中也至关重要,例如纠正电子鼻中的信号漂移和处理异常值。像小数据集这样的挑战可以通过潜在的解决方案来解决,例如少样本学习和留一法交叉验证。传感器阵列在现场病原体鉴定方面显示出巨大的潜力,为食品生产商和加工商提供了宝贵的益处。
-
基于机器学习和风味组学的食品特征风味测定研究策略: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
品质、结构与理化性质 特征风味 风味组学计算机标签
机器学习/统计学习 定量预测/回归分析 多模态/融合数据风味是食品质量的重要指标。近年来,机器学习(ML)被广泛应用于食品特征风味的挖掘与分析。然而,关于案例总结以及ML与风味组学综合分析的研究仍显不足。
范围与方法:本文重点阐述了食品风味组学分析与机器学习算法联合应用的最新进展,涵盖了食品风味研究中常用的检测技术以及不同机器学习模型的数据分析方法。对这些技术进行了分析和比较,并讨论了其优势和局限性。
主要发现与结论:机器学习在食品风味化合物检测中能产生强大的分析和预测性能。每种机器学习模型都有其优缺点。例如,K近邻(KNN)、支持向量机(SVM)、决策树(DT)和深度学习(DL)等模型能够处理复杂且庞大的数据集,但对数据量要求高、训练耗时且容易过拟合。而主成分分析(PCA)、偏最小二乘法(PLS)和随机森林(RF)等模型相对简单,对数据量要求低,训练速度快,但在处理复杂数据时可能存在欠拟合问题。当多种机器学习模型联合用于风味预测时,可以快速识别出准确率最高或更适用于预测任务的模型。总之,食品风味分析与机器学习的结合在特色食品风味挖掘、质量评估和真实性鉴别方面具有巨大潜力。 -
基于光谱学和机器学习技术识别和检测冻融肌性肉制品的研究进展
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
肉类/蛋类与水产品 畜肉 禽肉 鱼肉 食品安全与风险评估 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 偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据将冻融肌性肉制品标记为新鲜食品销售是最常见的欺诈行为之一,已引起消费者、政府监管机构和零售商的广泛关注。光谱学与机器学习的结合彻底改变了冻融肌性肉制品的检测方式,使得开发更复杂和自动化的解决方案成为可能。
研究范围与方法:本文全面综述了关于光谱技术在冻融肌性肉制品中潜在特性的各种研究的最新发现。此外,本文还讨论了机器学习在冻融肌性肉制品光谱检测与识别过程中的贡献,例如特征工程、模型复杂度和模型评估。本综述的最终目标是强调机器学习及其与光谱方法相结合在冻融肌性肉制品识别与检测中的贡献。
主要发现与结论:光谱技术与机器学习的结合已成功实现了对冻融肌性肉制品质量的预测以及对新鲜与冻融肌性肉制品的区分。通过减少对人工特征工程的依赖,机器学习能够系统分析光谱特征并优化模型,从而准确识别冻融肌性肉制品。同时,深度学习和数据增强技术能有效应对与数据变异性和质量相关的挑战。此外,多模态机器学习、终身学习、集成学习和强化学习等先进技术有望在未来发挥关键作用。 -
增强安全与质量的智能食品认证技术进展
查看原文2025
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 质量管理与追溯系统计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析食品认证对于确保全球食品供应链的安全、质量和可追溯性至关重要。随着食品欺诈和掺假事件的增加,需要先进的方法来验证产品的真实性。传统方法通常存在不足,因此有必要整合人工智能(AI)、机器学习(ML)、物联网(IoT)和区块链等技术。
范围与方法:本综述探讨了AI、ML、IoT和区块链技术在食品认证中的应用。评估了它们在提高认证过程的准确性、效率和透明度方面的有效性。综述分析了最新的进展和应用,全面阐述了智能食品认证的现状和未来前景。
主要发现与结论:AI和ML算法被用于分析大量数据集,识别表明食品欺诈的模式。IoT设备能够实时监控食品供应链,确保符合质量标准。区块链技术提供了安全透明的记录保存方式,彻底改变了从农场到餐桌的可追溯性。这些技术提供了无与伦比的准确性、效率和可追溯性,确保了食品的真实性和安全性。本综述强调了它们在加强全球食品供应系统、应对现代供应链挑战以及满足监管标准和消费者需求方面的潜力。
本综述突出了将先进技术整合到食品认证过程中的变革潜力,为建立更安全、更可信的食品供应链铺平了道路。 -
机器学习增强的电化学传感器用于食品安全:应用与展望
查看原文2025
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 化学污染物 包装与智能监测计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据食品安全是直接影响人类健康和福祉的全球性关键问题。电化学传感器因其灵敏度和选择性而在检测食品污染物方面引起了广泛关注;然而,传感器不稳定性和电极污染等问题限制了其有效性。将机器学习(ML)集成到电化学传感中提供了一种变革性方法,可增强传感器性能、稳定性和数据处理能力,同时实现实时监测。范围与方法:本综述简要探讨了专门用于食品安全应用的ML增强型电化学传感器的使用。首先,讨论了适用于食品安全监测的电化学传感器技术的各种ML算法。随后,综述重点介绍了ML增强型传感器在检测食品相关污染物(如农药、药物残留、重金属、微生物、人工染料和酚类化合物)中的应用。最后,阐述了推进食品安全电化学传感器所面临的挑战和未来前景,强调了适当的ML算法在改善现场食品安全监测方面的潜力。主要发现与结论:ML与电化学传感器的集成提高了其灵敏度、选择性和稳定性,解决了诸如电极污染等问题。支持向量机、人工神经网络和随机森林等ML算法能有效检测农药、重金属和微生物等食品污染物。ML还能实现实时数据处理,以便快速、准确地检测痕量污染物。然而,传感器校准、数据可靠性和对高质量训练数据集的需求等方面仍存在挑战。未来的研究应侧重于增强传感器的鲁棒性、优化ML模型以提高准确性,并推进用于食品安全监测的ML增强型传感器的商业化。