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 48 条结果
-
整合深度学习和分子动力学的计算方法发现靶向 CaSR 的小麦醇溶蛋白来源高亲和力谷氨酰胺肽
查看原文2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Tianfei Yu, Tianshuo Hu, Kai Na, Qian Lin, Shujing Chen, Hua Xie, Miao Yu, Li Zhang, & Xiaohua Guo
食品标签
小麦 抗氧化/抗炎等功能 肠道健康与微生物相关功能 蛋白质与氨基酸计算机标签
深度学习 设计/生成与推荐 时序传感器/物联网数据 合成/仿真数据为主靶向钙敏感受体(CaSR)的激动肽在维持肠道稳态中具有重要作用。本研究整合深度学习、虚拟筛选和分子模拟,开发了基于 Nextflow 的智能筛选平台 Peptide_MDI。研究从小麦醇溶蛋白来源的 2798 条候选肽中筛选出 RLSYQFPFYP,并将其命名为 CaSR_TP_1;该先导肽与 CaSR 结合的解离常数 Kd 为 74.4 nM。功能实验显示,CaSR_TP_1 可上调紧密连接蛋白,促进细胞增殖,增强抗氧化防御,并降低 TNF-α、IL-8 和 IL-6 的转录水平。机制上,该肽通过激活 CaSR/PLCγ1/Rac1/MAPK 信号级联减轻 H2O2 诱导的氧化应激。总体而言,研究利用 Peptide_MDI 识别出纳摩尔级高亲和力 CaSR 靶向肽 RLSYQFPFYP,建立了可扩展的生物活性肽发现技术框架,可用于促进肠道稳态的功能肽开发和下一代智能肽类干预方案设计。
-
用于检测无麸质啤酒中麸质的 AI 驱动计算机视觉方法
查看原文2026
Food Control
中科院一区JCR一区Ana M. Pérez-Calabuig, Sandra Pradana-López, John C. Cancilla, Sandra López-Ortega, & José S. Torrecilla
食品标签
小麦 酒精饮料 食品安全与风险评估 品质、结构与理化性质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据本研究提出了一种 AI 驱动的计算机视觉方法,利用残差卷积神经网络 ResNet50 检测无麸质啤酒中的麸质污染。啤酒样本图像由放置在隔光箱中的数字相机在受控照明条件下采集,并通过两种快门速度(1/30 s 和 1/250 s)以及两种广泛消费的商业啤酒品牌引入变化。研究使用 4000 张啤酒图像训练和验证深度学习模型。经 6 折交叉验证训练的优化模型获得了 88.8% 和 88.9% 的较高分类准确率,并成功识别低至 2.5 ppm 的麸质污染。该方法并非替代 ELISA 等传统方法,而是设计为混合顺序决策系统,其中 AI 计算机视觉工具作为快速预筛查方法,只有被标记为可能污染的样本才进一步使用 ELISA 等传统实验室方法分析。该策略提高了麸质检测效率,并减少了昂贵实验室检测的数量。深度学习与传统分析结合提高了效率,缩短了处理时间,并降低了麸质检测中假阴性的风险。该方法为酿造行业提供了一种强大、低成本且易获取的工具,有助于改善无麸质啤酒生产中的质量控制和消费者安全。
-
利用语义分割预测3D打印植物基肉制品蛋白质组成和硬度等多项属性
查看原文2026
Current Research in Food Science
中科院一区JCR一区Sol Kim, Ji-Hoe Kim, Jaehwi Seol, Jeonghyeon Pak, Hyoung Il Son, & Soo-Jung Kim
食品标签
小麦 大米 豆类与坚果(及籽类) 3D 打印与结构构筑 品质、结构与理化性质 质构与流变性质 显微与成像技术 蛋白质与氨基酸计算机标签
卷积神经网络 循环神经网络 图像分割网络 定量预测/回归分析 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据三维(3D)食品打印能够逐层制造植物基肉制品(PMA),但可靠的加工过程质量评价仍面临挑战。本研究开发了一种多属性深度学习框架,利用打印过程中采集的RGB表面图像,以无损方式在线预测由配方决定的蛋白质组成和硬度。预测目标包括小麦面筋(WG)、大豆分离蛋白(SPI)、大米蛋白(RP)和硬度。研究采用以ResNet-50为骨干网络的DeepLabv3+模型,对孔隙、聚集和铺展等与可打印性相关的结构特征进行分割,平均交并比(mIoU)为0.558,平均准确率(mAcc)为0.620。随后,将RGB图像和分割掩膜输入EfficientNet—双向长短期记忆网络,进行多输出预测。五折交叉验证结果显示,WG、SPI、RP和硬度的决定系数R²分别为0.857、0.777、0.875和0.839,相应的均方根误差分别为4.035%、2.629%、3.224%和0.219 N。结果表明,基于RGB图像的语义分割能够捕捉与打印过程相关的形态特征,并支持对组成和质构属性的同步预测。该框架为3D食品打印系统的图像化质量监测提供了一种低成本、无损的方法。
-
基于高光谱成像的小样本不完善小麦籽粒多模态融合分类方法
查看原文2026
Food Control
中科院一区JCR一区Guangran Bai, Tingsong Zhang, Lexiao Cai, Ziyuan Liu, Yimin Zhou, Yiqing Xu, Tong Sun, & Lu Zhou
食品标签
小麦 加工与新加工技术 显微与成像技术 标准/法规/数据库分析计算机标签
深度学习 主成分分析/判别分析 分类/鉴别/等级评定 多模态/融合数据 高光谱/多光谱光谱高效、准确分类不完善小麦籽粒对于小麦产业育种和生产十分重要。本研究提出一种基于高光谱成像的多模态融合方法,用于解决不完善小麦籽粒分类中的小样本问题。研究结合光谱和图像信息,使用经典机器学习算法和深度学习模型构建了四类分类模型。研究对象包括发芽粒、虫蚀粒、破损粒和完整粒,样品通过标准化人工模拟方法制备,并划分为训练集(Field A,每类 20 个样品)以及独立测试集(Field B 和 Field C,每个田块每类 10 个样品),以保证泛化验证可靠。特征处理方面,光谱数据采用主成分分析降维并保留 95% 原始信息,图像特征包括手工特征以及由预训练 ResNet18 提取的深度特征。实验结果显示,融合光谱和图像特征的多模态方法显著优于单一光谱模型。其中,所提出的多模态注意力融合网络在每类仅 20 个样品条件下平均准确率达到 90.2%,AUC 为 0.96;与传统方法相比,准确率提高 25%。研究结果强调,在样本量有限时,多模态融合方法可显著提升不完善小麦籽粒检测性能。
-
电子鼻技术在粮食贮藏和谷物产品质量中的高级应用:新鲜度监测与真菌毒素检测综述
查看原文2026
Food Control
中科院一区JCR一区Ranganathan Akimsha, Pasan Basuru, Tharaga Sharmilan, & Dakshika Wanniarachchi
食品标签
小麦 玉米 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 其他特殊成分计算机标签
迁移学习/领域自适应 定量预测/回归分析 时序传感器/物联网数据保障谷物贮藏期间的安全和品质仍是全球食品系统中的重要挑战。传统腐败和真菌毒素污染检测方法通常耗时、劳动强度高,且难以提供实时或连续监测。随着食品污染问题受到更多关注,快速、无损技术需求迫切。本文全面探讨电子鼻技术在粮食新鲜度监测和真菌毒素检测中的潜力,讨论其基础传感器配置、挥发性有机化合物检测机制,以及提升检测性能的多变量统计和机器学习模型。综述整合了电子鼻在识别小麦、玉米和大米等粮食中腐败、真菌感染、虫害和真菌毒素方面的最新应用,并进一步考察电子鼻系统与物联网、人工智能和智能仓储平台的高级集成。结果表明,电子鼻系统在基于 VOC 的腐败和污染检测中表现出高效性,可提供快速、实时、非侵入式分析;与机器学习算法结合可提高分类准确率和预测能力;纳入物联网的高级框架可实现贮藏环境远程监测和自动化。本文也指出传感器漂移、环境变异和 VOC 交叉反应等关键性能限制,并讨论传感器阵列优化和领域自适应等缓解策略。最后,文章提出未来方向,包括小型化、低成本电子鼻设备以及用于粮食品质实时控制和追溯的跨学科创新。