01 / 01

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
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 利用傅里叶变换近红外光谱(FT-NIRS)和机器学习预测多种大豆品种的全粒和磨碎种子成分

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Guillaume Lassalle, Stéphane Michaux, Philippe Pollien, Isabelle Privat & Claire Denis

    食品标签

    豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 维生素 矿物质与微量元素 蛋白质与氨基酸 脂质与脂肪酸 多酚与黄酮

    计算机标签

    偏最小二乘法 支持向量机 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据

    大豆正越来越多地被纳入人类饮食,凸显了确定其成分的重要性。尽管傅里叶变换近红外光谱(FT-NIRS)已成为一项有前景的技术,但目前使用的模型仍限于宏观成分的确定。本研究探讨利用FT-NIRS和机器学习预测大豆宏量组成、脂肪酸和氨基酸、微量营养素、维生素、植酸、异黄酮、胰蛋白酶抑制剂以及五十多种挥发性有机化合物(VOCs)的可行性。我们的模型实现了蛋白质、脂质、多元不饱和脂肪酸、亚油酸以及多达15种氨基酸、4种微量营养素、5种维生素和14种挥发性有机化合物(0.60 < R)的可接受到高度准确的定量2<为0.96%和5.3%

  • 革新航空业食品安全:人工智能驱动的智能解决方案

    2025
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Nida Kanwal, Min Zhang, Mustafa Zeb, Mudassar Hussain & Dayuan Wang

    食品标签

    复合/即食/餐饮食品 食品安全与风险评估 过程控制与数字化 其他过程控制与数字化研究 统计建模与仿真

    计算机标签

    机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据

    背景:航空业的食品安全保障是一项复杂的挑战,原因在于其全球供应链、长距离运输以及对实时监控的需求。传统实践常常无法解决效率低下的问题,导致食源性疾病、浪费和违规行为。人工智能通过物联网传感器、区块链和预测分析等尖端技术解决这些问题,具有革命性潜力。
    范围与方法:本综述探讨了人工智能在加强航空食品安全方面的整合应用。它审视了人工智能在供应链管理、实时监控和预测性维护等领域的驱动解决方案。讨论了具体的应用,如自动化合规、降低运输风险以及通过可追溯性提高透明度。本文强调了人工智能通过精准需求预测和控制在运输效率低下(全球导致20%食品腐败的主要原因)造成的损失,可将食品浪费减少高达30%。
    主要发现与结论:人工智能通过实现实时风险检测、优化库存和确保符合国际安全标准,提高了运营效率。例如,机器学习和物联网传感器显著提高了可追溯性,降低了腐败成本,有可能将运营开支降低15–20%。尽管存在实施成本和数据安全担忧等初期挑战,但分阶段整合和跨行业合作可以克服这些障碍。本文的结论是,人工智能驱动的解决方案对于确保航空食品安全的长期可持续性、减少食品浪费以及满足不断变化的监管和消费者期望是不可或缺的。

  • 深度学习评估赤藓糖醇在斑马鱼发育、昼夜节律和心血管疾病风险中的作用

    2025
    npj Science of Food
    中科院一区
    JCR一区
    查看原文

    Yehua Bao, Boyang Li, Chengtian Zhao, Xiaoting Man, Shuhui Zhang, Jiayi Zhang, Yiwei Du, Keju Gu & Xizeng Feng

    食品标签

    甜味剂 营养与生物功能 过敏原与毒性问题 暴露评估与风险表征 小动物实验

    计算机标签

    深度学习 定量预测/回归分析

    赤藓糖醇是应用最广泛的人工甜味剂之一,但其潜在风险仍存在争议。本实验根据预实验确定了赤藓糖醇的浓度(3、5、7 mg/mL),并在胚胎发育的受精后2小时开始暴露,直至120小时。本研究采用深度学习方法来揭示胚胎发育的时间和节奏。赤藓糖醇可能通过延迟幼鱼鳔的发育而导致其运动行为受损。此外,赤藓糖醇会引起昼夜节律紊乱并影响 rev-erba 基因的表达,从而导致血栓形成。血栓的形成伴随氧化应激和炎症。上述发现有助于理解赤藓糖醇对斑马鱼发育、神经行为和心血管疾病的影响,并为赤藓糖醇作为人工甜味剂的安全性提供依据。

  • 利用高光谱成像和机器学习识别牛奶掺假

    2025
    Journal of Dairy Science
    中科院一区
    JCR一区
    查看原文

    Muhammad Aqeel, Ahmed Sohaib, Muhammad Iqbal, & Syed Sajid Ullah

    食品标签

    乳及乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归

    计算机标签

    支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱

    牛奶掺假问题在全球范围内都引起了关注,而发展中国家由于监管体系和政策的不完善,面临着更高的风险。令人惊讶的是,这一普遍问题在许多国家往往都被忽视了。与普遍看法相反,牛奶中的掺假物可能会导致严重的健康风险,甚至可能引发致命疾病。检测和分类牛奶掺假对于消费者安全和乳制品行业来说至关重要。这项研究分为两个突破性方法,即破坏性方法和非破坏性方法。在破坏性方法中,使用了乳糖扫描系统进行定性分析:SNF、密度、脂肪、乳糖、电导率、固体、蛋白质、温度和pH值。该研究还通过 HSI Specim Fx-10(397–1003 纳米;斯皮姆公司,光谱成像有限公司,芬兰奥卢)分析来研究非破坏性的高光谱成像(HSI),以检测牛奶掺假的各种阶段,从而实现准确且用户友好的基于成像的掺假物检测和分类。预处理包括辐射校正、图像缩放、感兴趣区域选择以提取特征、经验线法来计算光谱反射率特征。采用的机器学习技术包括逻辑回归、决策树、支持向量机和线性判别分析(LDA),其中 LDA 在通过学习光谱特征来识别掺假方面表现尤为出色。这些算法是使用开发的牛奶掺假数据集进行训练和验证的。训练、测试和验证的准确率、精度、召回率、F1 分数、卡帕值和马修斯相关系数等指标展示了所提出流程的有效性,其验证准确率达到了 100%,超过了众多最先进的方法。总之,本研究建立了一个能够检测牛奶掺假行为的多类模型,为牛奶质量评估提供了重要的实际应用价值。

  • 基于机器学习结合GC-TOF/MS和GC-IMS全面挥发性成分分析的果酒分类

    2025
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Changlin Zhou, Yashu Yu, Jingya Ai, Chuan Song, Zhiyong Cui, Quanlong Zhou, Shilong Zhao, Rui Huang, Zonghua Ao, Bowen Peng, Panpan Chen, Xiaoxiao Feng, Dong Li & Yuan Liu

    食品标签

    酒精饮料 感官评价与方法学 光谱/色谱/质谱等分析方法

    计算机标签

    支持向量机 随机森林 K-近邻 逻辑回归/贝叶斯 其他深度学习结构 分类/鉴别/等级评定

    果酒通过各种水果发酵制成,以其独特的风味特征而著称。本研究采用智能感官分析、GC-TOF/MS和GC-IMS对八种果酒(包括5种葡萄酒SJ、LS、HY、TJ、FT,1种发酵梅酒FZ,1种蓝莓酒HZ,以及1种配制梅酒LM)的挥发性成分进行分析。通过GC-TOF/MS共鉴定出281种化合物,其中酯类和酸类占所有样品的80%以上。GC-IMS鉴定出60种化合物,主要包括16种酯、11种醇、6种酮和7种含硫化合物。这表明IMS和MS数据包含关于挥发性成分组成的不同信息。分别从TOF/MS数据和IMS数据中获得了37种和18种差异化合物。结合三种排序算法和五种机器学习模型(神经网络NN、随机森林RF、支持向量机SVM、K最近邻KNN、逻辑回归LR)进行应用,并从挥发性成分中识别出58个关键特征。LR和KNN模型的总体分类准确率达到0.95,F1分数大于0.9。对于IMS数据,NN、LR和KNN模型的准确率和F1分数均大于0.9。本研究推进了果酒分类,有益于饮料行业和食品化学研究。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号