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 187 条结果
-
基于机器学习的柔性发光传感器用于海鲜中抗生素分布的无损检测
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Lidong Wu, Yuanxin Li, Xueping Xiang, Haiyang Qin, Jinxue Zhao, Xuejing Zhang & Peiyi Li
食品标签
化学污染物 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 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 可见光/RGB/视频数据快速、同步且无损地识别食品中抗生素分布对公共卫生至关重要。本文提出一种基于机器学习增强的发光水凝胶传感器(LHS)的新型抗生素分布图谱构建方法。该LHS由掺入发光铕离子(Eu³⁺)的水凝胶基质构成,在接触四环素(TC)时会发生色度变化。通过智能手机捕获这些发光光谱变化数据,并用于训练卷积神经网络(CNNs),最终实现了对浓度分布模式的识别与定量分析,准确率超过92%。该LHS对TC的线性检测范围为5∼100 μg/L,检测限达0.58 μg/L。经训练的LHS-CNN系统能够同步绘制动物源性食品横截面或湿润动物皮肤上的TC分布图谱,这种应用场景高度模拟了真实复杂的环境条件。该方法有望推动对食品基质(包括具有曲面的基质)上分子的非破坏性检测与鉴定,且无需富集或额外的样品制备步骤。
-
基于铜-碳氮单原子纳米酶的智能手机辅助超灵敏比色策略用于油炸食品中丙烯酰胺的检测
查看原文2025
Food Chemistry
中科院一区JCR一区Jia Ge, Xiaoyu Sun, Xinxin Li, Yu Yang, Lin Zhang, Lingbo Qu & Zhaohui Li
食品标签
糖、焙烤与糖果制品 化学污染物 显微与成像技术 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据在此,我们构建了一种基于铜-碳氮单原子纳米酶(Cu-CN SANs)的新型比色策略,用于丙烯酰胺检测。Cu-CN SANs具有优异的氧化酶模拟活性,能有效催化底物TMB氧化,生成蓝色产物。谷胱甘肽(GSH)会抑制Cu-CN SANs对TMB的氧化作用。然而,丙烯酰胺的加入会使GSH与丙烯酰胺发生高效的硫烯迈克尔加成反应,从而恢复Cu-CN SANs对TMB的氧化能力。所建立的方法可在0.05–15μM的线性范围内检测丙烯酰胺,检测下限(LOD)低至15.4nM,相对标准偏差(RSD%)低于4.3%。将该生物传感器应用于实际样品检测时,对面包、饼干和薯片样品中丙烯酰胺的分析回收率达到95.3–103.6%,结果令人满意。此外,将该传感器与智能手机集成后可实现现场检测,检测下限为146nM。
-
整合纳米酶传感器阵列与机器学习实现多类别抗生素智能精准识别
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Yu Wang, Jiahao Xu, Zemin Ren, Yuan Li, Dingkuo Liu, Fufeng Liu & Wenjie Jing
食品标签
化学污染物计算机标签
机器学习/统计学习 分类/鉴别/等级评定 时序传感器/物联网数据开发针对多类别抗生素的同步分析方法,对于保障公共卫生与食品安全具有重要意义。本研究成功制备出一种具有优异漆酶模拟与过氧化物酶模拟活性的咖啡酸铜(CA-Cu)纳米酶。由于抗生素的物理化学特性存在差异,其对CA-Cu双酶模拟活性的影响程度各不相同,且这种影响效应随反应时间延长而增强。成功构建并应用了一个包含四个通道(两种模拟酶行为×两个时间点=四个传感单元)的传感器阵列,用于区分八种不同抗生素。此外,通过微调多种机器学习(ML)模型,基于该阵列的浓度无关分析系统性能得到显著提升,准确率从54.02%提高至97.70%。这一进展极大促进了实际样品中未知抗生素化合物的识别。该研究对于促进高效构建阵列通道及提升复杂样品中多类别抗生素的准确识别具有重要价值。
-
基于高光谱结合可解释人工智能监测羊肉兽药残留:OFX案例研究
查看原文2025
Food Chemistry
中科院一区JCR一区Fujia Dong, Zhaoyang Ma, Ying Xu, Yingjie Feng, Yingkun Shi, Hui Li, Fukang Xing, Guangxian Wang, Zhongxiong Zhang, Weiguo Yi & Songlei Wang
食品标签
畜肉 化学污染物 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据肉类中的兽药残留会严重危害人体健康。快速、精准地检测兽药残留,是降低污染风险的必要手段。以羊肉中的氧氟沙星残留为例,本研究采用近红外高光谱成像技术结合可解释人工智能方法,分析卷积神经网络堆叠稀疏自编码器(CNN-SSAE)模型中特征波长对化学属性的贡献重要性。在此基础上,实现了羊肉中氧氟沙星残留的定性检测(残留有无识别、残留等级判别)与定量检测。结果表明,CNN-SSAE模型对氧氟沙星残留有无和残留等级的识别准确率分别为100%、93.65%;氧氟沙星残留定量检测的验证相关系数为0.8980。此外,研究借助沙普利可加解释值(SHAP)筛选出CNN-SSAE模型中贡献度最高的特征波长,有效阐释了光谱与化学指标在模型决策过程中,可优化预测结果的品质属性信息。通过F检验、T检验等统计验证方法,完成了CNN-SSAE模型的可靠性评估,并最终构建出氧氟沙星含量分布可视化图谱。本研究为兽药残留的可解释性检测提供了方法参考。
-
利用机器学习预测动物饲料中污染物的早期预警
查看原文2025
npj Science of Food
中科院一区JCR一区L. M. van den Bulk, R. G. Hobé, W. Hoenderdaal, D. Giržadas, A. Nijrolder & H. J. van der Fels-Klerx
食品标签
微生物安全 化学污染物 食品成分/消费数据库分析计算机标签
梯度提升决策树 定量预测/回归分析 质构/流变/感官数据受污染的饲料会对动物和人类健康产生负面影响,并导致经济损失。为了支持基于风险的动物饲料监测,必须能够准确、及时地预测食品安全危害的潜在存在。本研究利用机器学习预测动物饲料中四种污染物组的存在:霉菌毒素、重金属、二噁英和农药。重点采用了整体性设计,使用了广泛的外部驱动因素作为模型输入,这些因素可能影响污染物的存在。数据包括与多种不同动物饲料、国家和年份(2010-2023年)相关的历史饲料安全监测数据,以及与来源国相关的各种社会经济和气象指标。CatBoost算法是性能最佳的机器学习模型,用于预测来自特定国家的饲料产品中污染物超过预定阈值(基于欧洲法定限值或指导值)的概率。在模型训练未见过的年份数据上,四个污染物组的平均灵敏度为83%,平均特异度为73%。模型预测结果和监测数据描述被整合到一个决策支持系统中,并已在实践中测试使用。该系统为风险管理者提供了关于动物饲料中化学污染物潜在存在的更好见解,并支持他们做出保障食品安全的决策。