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
-
人工智能用于预测各类食品保质期:最新进展与持续挑战
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区食品标签
保藏与贮藏 冷藏与冷冻保藏 货架期预测与品质劣变动力学 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 迁移学习/领域自适应 定量预测/回归分析 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 多模态/融合数据准确估算保质期对于维持食品安全、减少浪费和提高供应链效率至关重要。传统方法(如微生物和化学分析以及感官评价)可提供可重复的结果,但耗时耗力,且可能不适用于实时或高通量应用。人工智能与先进分析技术的集成为在动态存储环境中快速、数据驱动地估算保质期提供了一种合适的替代方案。
方法与范围:本综述评估了基于人工智能的技术(如机器学习、深度学习和混合方法)在食品保质期预测中的应用。本研究重点阐述了如何利用人工智能分析来自高光谱成像、光谱学、机器视觉和电子传感器等无损检测方法的数据,以提升预测性能。综述还描述了基于人工智能的技术如何通过确保优化的食品配送和减少浪费,来帮助管理食品质量、减少经济损失并增强可持续性。
主要发现与结论:人工智能技术通过整合影响食品腐败的微生物、生化和环境因素等多源复杂信息,克服了传统技术的局限。肉类、乳制品、果蔬和饮料的案例研究证明了人工智能技术在实时监测和质量评估方面的优越性。同时,本文也指出了数据可用性、模型普适性和计算成本等限制其广泛应用的局限性。未来的应用需要考虑将云平台和物联网平台集成,以实现实时决策和自适应建模。人工智能可以成为食品行业的一种范式转变工具,为食品安全、减少浪费和可持续性提供智能化、可扩展且低成本的解决方案。 -
功能性食品与药物配料中的膳食三萜类化合物:构效关系、生物合成、应用及人工智能驱动策略综述
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
植物化学/生物活性成分 营养与生物功能 食品安全与风险评估 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 理化与结构表征 组学与高通量技术计算机标签
机器学习/统计学习 深度学习 大模型与 LLM 模型设计/优化策略 大语言模型 知识图谱与 LLM 集成 垂直领域微调/指令调优 检索增强生成 知识抽取与语义理解 设计/生成与推荐 组学数据萜类化合物是一类广泛来源于植物及其代谢物的天然生物活性化合物,以其结构多样性、高生物活性潜力以及“药食同源”的概念而闻名。三萜类化合物作为萜类中典型的代表性亚类,不仅保留了这些优势,还具有来源广泛、种类繁多、含量低的特点。这些特点并未削弱其作为功能性食品和药物配料的巨大潜力与应用前景。三萜类化合物能够通过多种机制发挥其高生物活性,包括但不限于调节炎症、氧化应激、免疫抵抗和代谢紊乱。尽管三萜类化合物作为功能性食品和药物配料前景广阔,但其含量低、结构复杂的特点在一定程度上限制了对其他构效关系的阐明,进而限制了相关研究的进展。范围:本综述基于三萜类化合物的生物合成和生物活性,讨论了其作为功能性食品和药物配料的重要性和可行性。文章探讨了膳食三萜类化合物的生物合成及其在抗衰老和抗肥胖方面的潜在作用机制。此外,提出了利用机器学习技术应对相关挑战的策略。主要发现与结论:三萜类化合物精细的构效关系塑造了其在抗肥胖和抗衰老方面的实质性功能。作为功能性食品和药物配料,三萜类化合物通过调节微生物菌群、改善免疫、调节糖脂代谢等多种调控机制,发挥广泛的生物活性。此外,它们在食品功能优化、保鲜和风味调节中起着关键作用。人工智能和机器学习技术通过处理海量数据和进行复杂分析,为三萜类化合物的高级研究提供了识别和预测构效关系的新思路和策略。
-
基于SERS的食品饮料中微纳塑料检测的最新进展:技术、仪器与机器学习集成
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 缺陷/异物检测与定位 红外/拉曼光谱数据食品和饮料中微纳塑料的存在因其潜在的健康风险和环境影-响而引起了极大的关注。在食品和饮料等复杂基质中准确检测MNPs对于保护公众健康至关重要。表面增强拉曼光谱通过金属纳米结构放大拉曼信号,实现了灵敏、快速、非破坏性的MNP检测,允许精确的识别和表征,使其成为食品安全监测的重要工具。
范围和方法:本综述探讨了使用SERS检测MNPs相关的各种挑战。它深入研究了SERS的关键方面,如仪器校准、基底设计和先进设备配置,以提高检测灵敏度和可靠性。此外,该综述考察了不同食品和饮料类别的现有研究,以确定研究空白和需要进一步调查的领域。集成机器学习提高了检测准确性,简化了数据分析,并提供了可行的见解,帮助研究人员优化工作流程并扩展SERS在食品安全中的应用。
主要发现和结论:SERS已被证明是检测食品和饮料中MNPs的一种高效技术,具有无与伦比的灵敏度,能够在复杂基质中对痕量水平的塑料颗粒进行表征。基底设计和仪器配置的创新显著提高了其实用性,而便携式SERS设备实现了实时、现场检测。将ML与SERS集成增强了数据解释、检测准确性和自动化。这种协同作用加强了SERS作为食品安全监测和公共卫生关键工具的地位,以更高的效率和可靠性应对关键问题。 -
各向同性与各向异性金纳米材料持续升温:从性质到食品安全监测
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计算机标签
机器学习/统计学习 定量预测/回归分析监测农畜产品的安全与质量一直是全球面临的巨大挑战。得益于纳米技术的快速发展,通过使用纳米材料作为标记物,食品安全监管得到了极大改善。
范围与方法:根据文献计量分析,各向同性和各向异性金纳米材料(AuNMs)因其形态和优异的性能(包括高亲和力、鲜艳的颜色、可控的物理化学性质)而备受关注。本综述旨在通过阐述AuNMs的合成、性质、信号原理及应用,对相关知识进行详细总结。我们全面概述了信号产生原理,并介绍了其与形态的关系。随后,聚焦于AuNMs的信号呈现,我们详细总结了它们在免疫分析中的应用。同时,针对最新研究趋势,本综述深入探讨了新兴机器学习技术在AuNMs合成与传感领域的发展。此外,我们还展望了其未来发展,并探讨了面临的挑战。
主要发现与结论:纳米级AuNMs凭借其优异的性能和可调的形态,显著增强了免疫传感器的性能,包括增加了信号可能性、提高了灵敏度和准确性、增强了便携性。尽管面临挑战,AuNMs将继续推动免疫传感技术的发展,并成为食品安全检测中强有力的信号标记物。总之,本综述为初级研究人员提供了系统知识,同时为科研人员收集信息以促进新兴进展。 -
振动光谱结合机器学习用于植物性食品污染物筛查的来源、进展与未来展望
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 包装与智能监测 光谱/色谱/质谱等分析方法 微生物安全 化学污染物 加工污染物计算机标签
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/拉曼光谱数据近年来,植物基食品在食品科学研究中获得了极大关注。随着植物肉、植物奶等植物基产品日益普及,确保其安全性变得至关重要,特别是应对农药残留、重金属、霉菌毒素和过敏原等污染物带来的挑战。因此,当前研究正在探索快速准确检测植物基食品中污染物的方法。
范围与方法:本文全面综述了植物基食品中污染物的来源,以及利用振动光谱结合机器学习检测这些污染物的最新进展。振动光谱与机器学习的结合已成为一种先进的检测方法,涵盖了近红外、中红外、拉曼光谱及成像技术。此外,本综述还探讨了利用这些技术开发的便携式设备和智能AI软件的进展,它们正日益满足快速高效食品安全评估的需求。
主要发现与结论:振动光谱与机器学习的结合显著提高了植物基食品污染物检测的效率,具有高灵敏度、高特异性和自动化等优势。未来,随着便携式设备和开放式人工智能的进一步应用,该领域有望实现更广泛的应用。通过整合技术创新,振动光谱结合机器学习能够在保障公众健康的同时,确保植物基食品行业的可持续发展。