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
-
计算机视觉技术在发酵食品中的应用:综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区食品标签
发酵食品及酱腌制品 品质、结构与理化性质 过程控制与数字化计算机标签
深度学习 迁移学习/领域自适应 多模态基础模型 分类/鉴别/等级评定 缺陷/异物检测与定位 过程控制与实时优化 可见光/RGB/视频数据 多模态/融合数据发酵食品是通过微生物发酵加工而成的产品,以其独特的风味受到全球消费者的广泛喜爱。随着工业技术的进步和消费者需求的增长,现代技术正逐步融入发酵食品的生产和质量控制中,以提高生产效率和产品质量。在这些创新中,计算机视觉技术尤为突出。
研究范围与方法:本文概述了计算机视觉在发酵食品领域的应用,重点介绍了其在食品行业中的技术算法和应用。文章概述了计算机视觉技术在不同类型发酵食品中的具体用途,并讨论了所采用的相关技术。最后,本综述强调了自适应学习和多模态融合在解决当前计算机视觉用于发酵食品监测的局限性方面所具有的变革潜力。
主要发现与结论:计算机视觉技术的采用显著提高了发酵食品生产过程中质量控制流程的效率和准确性。通过非接触式实时监测,研究人员可以快速识别发酵过程中微生物及相关参数指标的动态变化,并评估其对食品质量的影响。这些技术不仅提高了发酵食品的生产效率,还加强了对产品风味和安全评估的控制。尽管在技术实施和数据分析方面仍存在挑战,但深度学习和图像处理技术的持续进步有望增加计算机视觉在发酵食品领域的影响力,推动行业可持续发展。 -
人工智能算法辅助生物传感器检测食源性病原菌:最新进展与未来趋势
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区食品标签
微生物安全计算机标签
机器学习/统计学习 深度学习 模型设计/优化策略 分类/鉴别/等级评定 文本/知识库/法规数据 多模态/融合数据检测食源性病原菌是食品安全的一个关键方面,需要快速、准确和可靠的检测方法。尽管传统生物传感技术已取得显著进展,但在灵敏度、准确性和适应性方面仍面临挑战,尤其是在复杂的食品基质中。人工智能算法,特别是机器学习和深度学习技术的整合,在克服这些挑战和显著提高生物传感器性能方面显示出巨大潜力。
范围与方法:本综述探讨了AI算法(聚焦于ML和DL技术)在增强食源性病原菌检测生物传感器方面的应用。它对不同的AI模型进行了比较分析,并推荐了适用于各类生物传感器(包括表面增强拉曼光谱、荧光、比色和电化学生物传感器)的算法。本文还探讨了这些算法在食品安全中的实际应用和局限性,并概述了潜在的未来方向。
主要发现与结论:AI算法辅助的生物传感器显著提高了病原菌检测的准确性和效率。这些算法使生物传感器能够实时处理复杂的多维数据,提高了其在多样化和具有挑战性的食品样品中检测病原体的能力。尽管取得了显著进展,但在算法适应性和设备兼容性方面仍存在挑战。本综述强调了AI辅助生物传感器在推进食品安全检测技术方面的变革潜力,重点关注推动食品行业未来的创新与应用。 -
利用人工智能推进食品安全行为:食品制造业的创新与机遇
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 过程监测与在线检测 过程优化与控制策略 质量管理与追溯系统 其他过程控制与数字化研究计算机标签
机器学习/统计学习 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 迁移学习/领域自适应 模型可解释性 模型轻量化/边缘计算 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据 文本/知识库/法规数据 多模态/融合数据人类行为对于确保法规遵从和食品安全的重要性,正日益受到学术界、监管机构及食品行业各领域从业者的广泛认可。本文探讨了人工智能(AI)在推进食品安全行为方面的变革潜力,这得益于其不断增强的、可提升关键食品安全特性的能力,即:监测、评估与行动。AI辅助监测系统(第2.1节)能够实现对洗手卫生和个人防护装备合规性等食品安全行为进行准确且不引人注目的观察。AI辅助评估工具(第2.2节)可以利用先进的数据分析和大型语言模型,全面评估食品安全文化指标,从而提供可操作的见解和前瞻性决策支持。此外,AI干预措施(第2.3节),如实时反馈、个性化培训和沟通辅助,将促进行为改进和有效沟通。这些阶段共同构成了一个持续的AI辅助改进循环,其中行为得到评估,公司的食品安全文化得到衡量,基于客观评估的行动得以实施,并对其有效性进行测量。这种自适应方法将确保建立一个动态且反应迅速的系统,能够推动食品安全行为的持续提升。在期待AI技术变革力量的同时,食品制造商也必须准备好应对与技术局限、伦理关切和采用意愿不足相关的潜在挑战。本文重点介绍了创新的AI应用,识别了跨行业采用的机会,提出了改善食品安全行为的挑战和未来方向。
-
机器学习与蛋白质组学的融合推动食品真实性与掺假控制
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 蛋白质组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 知识抽取与语义理解 组学数据 多模态/融合数据全球食品欺诈事件的频率不断上升,对食品安全构成了严重威胁,迫切需要开发有效的应对措施。作为一种尖端技术,机器学习极大推动了传统方法在食品安全领域的发展。作为一种高通量工具,蛋白质组学被广泛应用于食品真实性和掺假检测的综合理解。然而,将机器学习整合到蛋白质组学中既是必不可少的,也充满了挑战。
范围与方法:本综述的主要目标是,从其在食品真实性和掺假控制中的应用中汲取见解,深入探讨实现机器学习无缝整合所需的食品蛋白质组学优化。随后,我们旨在强调最近利用机器学习辅助的蛋白质组学来提高食品安全性的研究。最后,我们评估了在蛋白质组学方法学中整合先进机器学习技术的潜在应用。
主要发现与结论:尽管机器学习辅助的蛋白质组学是一个快速发展的领域,尚未成为食品科学或工业的标准实践,但最近的应用已经证明了其在与机器学习结合时能够提高食品蛋白质组学分析的效率和准确性。此外,机器学习与蛋白质组学方法学的融合有望在模型深度和鲁棒性方面取得进一步进展,凸显了机器学习辅助蛋白质组学在未来保障食品安全方面的巨大潜力。 -
迈向智能食品安全:机器学习在黄曲霉毒素检测与风险预测中的应用
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 高光谱/多光谱光谱 红外/拉曼光谱数据 多模态/融合数据黄曲霉毒素对人类健康构成严重威胁,其潜在的破坏性影响在日常食品供应中难以察觉,尤其是在花生、玉米和香料等食品中,在气候条件适宜其生长的热带和亚热带地区更为突出。现有的黄曲霉毒素检测方法成本高昂且耗时,无法在实践层面实现快速、广泛的实时监测部署。本综述提供了一个具有里程碑意义的综合性视角,阐述了各种形式的人工智能(AI)如何推动农业系统中黄曲霉毒素检测和定量分析的发展。特别是,本综述通过理解监督学习、无监督学习和强化学习在用于黄曲霉毒素检测和定量的光谱、图像和行为数据分析中的应用,探讨了食品科学与人工智能的融合。结合基于AI的智能手机诊断、智能存储系统以及用于图像分析的深度学习模型等前沿应用,本综述考察了已开发模型的各种案例和评估,解决了诸如数据稀疏、跨食品基质的泛化能力以及监管透明度等关键现实挑战。最后,本综述探讨了采纳不断发展的AI策略的意愿,并展望了未来更快、更智能、更易获得的黄曲霉毒素检测方法,以期实现更重大的公共卫生保护和可持续的食品体系。无论您是研究新模型开发的独特研究者、制定食品安全法规的政策制定者、设计课程的学者,还是探索下一代食品技术的科学家,本文都是一个及时且便捷的知识获取平台,引领我们迈向更安全、由AI驱动的食品体系。