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
-
人工智能在食品安全与质量管理中的应用研究进展
查看原文2025
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 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 深度学习 可见光/RGB/视频数据 时序传感器/物联网数据 多模态/融合数据维护食品安全标准对于保护公众健康和食品行业的经济完整性至关重要。人工智能(AI)是一项具有巨大潜力的开创性工具。然而,其实际应用仍需要进一步探索以充分释放其效益。范围和方法:本综述综合了AI在食品安全中的应用,重点关注微生物检测、污染预测和食品供应链内的可追溯性。此外,本综述还讨论了AI在食品安全监管中的应用,包括风险评估、预测建模和决策支持系统。
主要发现和结论:将AI技术整合到食品安全实践中,不仅增强了传统的风险管理方法,而且促进了一种更积极主动的方法来识别和减轻潜在危害。通过利用AI的能力,食品行业可以显著提高安全成果,减少运营效率低下的情况,并增强消费者信任。AI在该领域的持续发展有望推动创新解决方案,为更智能、更具韧性、优先考虑预防和主动管理的食品安全系统铺平道路。 -
人工智能在食品生物活性肽筛选中的应用:最新进展与未来展望
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区食品标签
蛋白质与氨基酸计算机标签
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 组学数据食品源性生物活性肽在营养与健康中起着至关重要的作用。鉴定FBPs的传统实验方法通常费时费力且成本高昂。相比之下,虚拟筛选和分子动力学模拟等计算方法也有其自身的局限性。人工智能技术使得对FBPs进行高通量筛选和活性机制分析成为可能。正在进行的人工智能研究将促进FBPs的深入开发与应用。
范围与方法:本综述概述了AI筛选FBPs的一般流程,包括数据基础、分子特征表示、机器学习与深度学习模型的构建与训练,以及评估与验证。同时总结了AI筛选不同生物活性FBPs的最新研究进展,讨论了当前的关键问题与挑战,并展望了FBPs的未来研究方向与趋势。
主要发现与结论:在利用AI筛选方法鉴定具有抗炎、抗菌、抗氧化、增味和降压等功能的FBPs方面已取得显著进展,而针对抗肥胖和抗疲劳肽的研究仍处于起步阶段。深度学习已展现出相较于传统机器学习技术的明显预测优势。然而,在筛选具有不同生物活性的肽时仍存在挑战。未来,应在食品专用大模型内开发数据增强策略,并创建基于多尺度化学空间特征的通用深度学习框架,以预测肽-靶标的动态相互作用。应建立一个结合深度学习、虚拟筛选或分子动力学模拟、体外测试和体内实验的高通量筛选框架,并加强对如抗肥胖和抗疲劳等多功能肽AI方法的研究。 -
整合人工智能与先进光谱技术用于精准食品安全与质量控制
查看原文2025
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 光谱/色谱/质谱等分析方法计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据高效液相色谱(HPLC)和气相色谱-质谱联用(GC-MS)等传统方法在食品分析中广泛应用,但在检测超低含量或复杂基质中的痕量污染物时往往存在局限性。本综述重点介绍了近期食品分析技术的突破,这些技术为消费者健康保护提供了前所未有的灵敏度和准确性。在这些进展中,宽线表面增强拉曼散射(WL-SERS)将灵敏度提高了十倍,能够检测到生鲜乳中三聚氰胺等污染物的浓度,远低于常规阈值。质谱成像(MSI),特别是基质辅助激光解吸/电离质谱成像(MALDI-MSI),在空间分辨率方面取得了显著进展,能够对食品成分和污染物进行精确的空间分布绘制。此外,二维液相色谱(2D-LC)和多维气相色谱技术也发展迅速,在复杂食品体系中实现了低至1 ppb的检测限。创新的传感器技术,如Dpy近红外(NIR)荧光探针和电化学发光(ECL)适配体传感器,提供了快速、高灵敏度的检测,有效补充了传统方法的不足。此外,人工智能(AI)和机器学习(ML)的整合彻底改变了食品质量评估方式,卷积神经网络(CNNs)等模型在识别掺假物方面的准确率高达99.85%。尽管取得了这些进展,但高昂的运营成本、传感器稳定性以及AI的计算需求等挑战依然存在。本综述强调了先进光谱技术、AI驱动分析和新型传感器技术的融合,并概述了未来策略,如设备小型化、纳米材料创新和标准化协议。这些方法为提高食品安全和质量管理的精确性、效率和可及性提供了变革性的途径,最终将促进公共卫生保护。
-
通过多源数据融合进行先进食品污染物检测:策略、应用与未来展望
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 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 高光谱/多光谱光谱 红外/拉曼光谱数据 多模态/融合数据食品供应链的全球化和对食品安全保证日益增长的需求,凸显了传统分析方法在检测污染物方面的局限性。这些传统方法通常难以捕捉食品基质固有的复杂性,其特点是异质性和动态过程。多源数据融合(MSDF)已成为一种有前景的解决方案,通过整合多种分析技术,为全面的食品安全分析提供了增强的能力。
范围与方法:本综述系统地考察了多源数据融合在食品污染物检测中的策略和应用,重点关注关键分析技术的整合,包括光谱方法(近红外、中红外、拉曼)、色谱分析、高光谱成像、电子鼻和化学分析。文章分析了各种融合架构和层次、预处理要求以及先进的数据分析技术,包括机器学习和化学计量学。通过详细的案例研究和比较分析,本综述评估了多源数据融合在食品安全监测不同应用中的有效性。
主要发现与结论:与单传感器方法相比,多源数据融合显示出更优越的性能,在检测农药、霉菌毒素、病原体和掺假物等各种污染物时实现了更高的灵敏度、特异性和可靠性。综述指出了关键的挑战,包括数据集成复杂性、计算需求、传感器漂移和模型可解释性。通过人工智能、边缘计算和物联网技术出现的新解决方案有望解决这些局限性。多源数据融合的成功实施需要标准化协议和跨学科合作。随着食品供应链变得越来越复杂,多源数据融合在确保食品安全方面的作用将变得更加关键,并得到传感技术、数据分析和人工智能持续创新的支持。 -
AI与NMR协同增强食品成分分析的方法:一篇全面综述
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
基本营养价值评价 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 定量预测/回归分析 红外/拉曼光谱数据人工智能(AI)与核磁共振(NMR)光谱学的融合正在成为食品成分分析中的一种变革性方法,为确保食品质量和安全提供了创新解决方案。将AI算法与NMR光谱学结合,有望提高食品科学中结构分析的精度和效率,应对复杂数据解读中的挑战,并推进食品真实性、原产地追溯和污染物检测的方法学。
范围与方法:本综述考察了AI技术,特别是机器学习(ML)模型,包括监督学习(SL)、无监督学习(UL)和深度学习(DL),在增强NMR数据解读和分析中的应用。我们讨论了NMR基本原理,并探讨了AI在解决谱图复杂性和改进食品成分表征方面的整合。这种结构化方法评估了AI在食品科学背景下进行谱图预测、模式识别和数据驱动模型开发中的作用。
主要发现与结论:AI-NMR整合在各种食品化学应用中显示出巨大潜力,从预测结构特性到检测掺假物和污染物。SL模型在谱图预测上提供了准确性,UL模型增强了模式识别能力,而DL方法则能够分析复杂的NMR谱图。然而,挑战依然存在,特别是在模型的可解释性、数据可用性以及在实际条件下的鲁棒性方面。应对这些挑战需要AI专家和食品化学家之间的跨学科合作,以释放AI-NMR在食品分析和质量控制中的全部潜力,并可能彻底改变该领域的方法学。