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
-
推进微塑料检测与预测:传统方法与机器学习在环境与食品安全应用中的融合
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 化学污染物计算机标签
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 可见光/RGB/视频数据 红外/拉曼光谱数据微塑料已成为一种重要的环境威胁,迫切需要开发先进的检测和分析方法。传统的识别技术受限于准确性和处理效率,阻碍了对微塑料在环境和食品中普遍存在及其影响的全面理解。范围与方法:机器学习和深度学习模型在微塑料研究中受到关注,为提高微塑料检测准确性和预测能力提供了潜力。本综述全面探讨了将机器学习和深度学习模型整合到微塑料研究中,特别是在检测和预测方面的应用。我们批判性评估了当前机器学习方法的局限性,例如有限数据集对机器学习方法有效性的挑战。为解决这些问题,我们强调了数据增强和合成数据生成作为提高模型鲁棒性并克服小型和不平衡数据集限制的关键策略的重要性。主要发现与结论:本综述强调了将机器学习模型与检测和预测方法结合在微塑料研究中的巨大潜力。强调了数据增强技术对提升模型性能的关键作用。本文还指出了当前机器学习方法在微塑料分析中的局限性,强调了对真实世界样品和纳米级微塑料进行进一步研究的必要性。此外,本文强调了这些技术在食品安全中未来应用的广阔前景。
-
机器学习驱动的乳状液脂质氧化稳定性预测模型:一种智能食品安全策略
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
油脂及油脂制品 加工污染物 过程监测与在线检测 过程优化与控制策略 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 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据乳状液中的脂质氧化,特别是富含多不饱和脂肪酸的乳状液,会损害产品质量、营养价值和保质期,从而构成重大的食品安全挑战。这种降解通常由反应性化合物在油水界面引发,关键影响因素包括乳化剂类型、界面性质和环境条件。
研究范围与方法:本研究调查了驱动脂质氧化的内在和外在因素,并评估了机器学习算法在增强氧化稳定性方面的应用。通过利用监督和非监督学习技术,揭示了复杂的数据关系,从而能够建立预测模型以优化配方,并减少对传统实验方法的依赖。
主要发现与结论:基于机器学习的预测模型为缓解脂质氧化提供了可行的见解,确保了更安全、更稳定、保质期更长的乳状液。这些进步最大限度地减少了有害副产物的形成,直接应对了食品安全风险,同时提升了质量和可持续性。这项研究凸显了机器学习在食品乳状液科学中的变革潜力,并呼吁跨学科合作,以在预测建模和智能食品安全技术领域发掘更多机遇。 -
革新航空业食品安全:人工智能驱动的智能解决方案
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区食品标签
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 质量管理与追溯系统 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 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 时序传感器/物联网数据 多模态/融合数据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。 -
人工智能与益生菌的协同作用:健康促进与工业创新中新应用的综合综述
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
益生菌菌株 营养与生物功能 肠道健康与微生物相关功能 组学与高通量技术 动物实验/人体试验计算机标签
机器学习/统计学习 深度学习 知识图谱与 LLM 集成 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 设计/生成与推荐 组学数据 多模态/融合数据益生菌在人类健康中发挥着至关重要的作用,引起了科学界和公众的极大兴趣。将人工智能(AI)整合到益生菌研究和应用中,有望彻底改变菌株发现、健康结果和食品行业的创新。
范围与方法:本综述探讨了人工智能与益生菌的交集,重点关注人工智能驱动的机器学习模型,这些模型正在彻底改变菌株筛选、生物标志物预测和代谢物分析。人工智能通过预测炎症性肠病和肠易激综合征等疾病的生物标志物,实现了早期诊断和个性化营养。它还识别关键的益生菌代谢物,如抗菌肽、胞外多糖和酚类化合物,从而推进发酵技术和益生菌功效。文中还讨论了包括数据质量、计算需求和实验验证在内的挑战。
主要发现与结论:人工智能优于传统方法,提供快速、高精度的筛选、可扩展的数据分析和自动化的菌株优化。案例研究表明,AI模型在细菌鉴定方面达到超过97%的准确率,并加速了代谢物的发现。然而,数据质量、计算成本和模型可解释性等挑战仍然存在。克服这些挑战将加强人工智能在精准营养、功能性食品开发和个性化医疗中的作用。本综述以未来展望作为结束,强调了人工智能彻底改变肠道微生物组研究和基于益生菌的治疗学的潜力。 -
模拟人类嗅觉系统及其与机器学习算法的整合用于食品质量评估: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
品质、结构与理化性质 感官评价与方法学 其他组学方法 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 定量预测/回归分析 时序传感器/物联网数据 多模态/融合数据一种被称为电子鼻(e-nose)的模拟人类嗅觉系统能够检测和识别挥发性有机化合物(VOCs)。它由一个气体传感器阵列(可响应不同的VOCs并产生电子信号)和一个数据采集系统组成,该系统进一步使用机器学习算法来处理信号,以分类或区分食品材料的气味或香气。范围与方法:由于电子鼻对不同食品类别的质量和感官评估具有快速、廉价和非破坏性的优势,近年来备受关注。尽管已有重大改进,但该领域仍存在一些限制需要克服,以推动电子鼻的进一步发展。因此,本文探讨了电子鼻的构建及其与机器学习算法的整合,用于不同食品材料的感官和质量评估。主要发现与结论:为了进行真值验证,通过使用不同分析工具(如GC-MS、GC-IMS、NIRS和QnDA)生成的参考数据,与电子鼻结合并运用机器学习算法(分类器、回归器和降维算法),正在提升电子鼻的性能。同时,在电子鼻中使用集成学习算法能够实现更高精度的决策。然而,电子鼻设备的未来在于通过持续的研究及其在工业分析部署中的适应,实现进一步的演进和发展。