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
-
基于铕金属有机框架的荧光传感器,用于3D打印设备,用于智能手机辅助原位检测食品样本中的四环素
查看原文2025
Food Chemistry
中科院一区JCR一区M. A. Vargas-Muñoz, Gemma Turnes Palomino, Laura Ferrer & Edwin Palacios
食品标签
液态乳 甜味剂 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据这项工作提出了一种新型荧光传感器,用于快速且可视化地检测食品样本中四环素(TCs)。一个基于铕的金属有机框架(Eu-MOF)被固定在使用聚二氟乙烯(PVDF)3D打印的孔微板上。检测使用3D打印智能手机平台进行,数字图像的比色分析则使用ImageJ宏。对于微量分析,TCs使用分子印制聚合物(MIP)墨盒进行预浓缩。在优化条件下,该方法实现了0.06和0.2 mg L的检测和定量极限−1分别,精度低于10%,富集因子为10。自来水、井水、牛奶和蜂蜜样品(1–12毫克升)−1TCs)被分析,回收率在89%至112%之间。该方法与色谱结果进行了回归模型比较,包括Passing-Bablok化学计量工具,并用AGREE、GAPI和BAGI工具评估,强调其环保性和实用性,相较于先前报道的方法。
-
机器学习增强的试纸条颜色识别用于果蔬中农药残留的快速检测
查看原文2025
Food Control
中科院一区JCR一区Jingbo Dai, Xiaobin Chen, Yao Zhang, Min Zhang, Yunyuan Dong, Qifu Zheng, Jianming Liao & Ying Zhao
食品标签
水果/蔬菜与菌菇类/植物类 化学污染物计算机标签
深度学习 定量预测/回归分析 可见光/RGB/视频数据食品安全,尤其是农药残留带来的风险,已成为一个关键的公共卫生问题。现有检测方法通常速度慢、成本高且需要复杂设备,限制了其广泛应用。本研究介绍了一种用于农药残留的快速试纸条检测系统,重点针对胆碱酯酶和有机磷农药。该系统将比色反应与机器视觉相结合,实现图像分析的自动化。采用包括降噪和阈值提取在内的关键图像处理技术来分析试纸条的RGB值。然后推导出多色特征指数来处理数据。此外,开发了一种改进的遗传编程-符号回归(GP-SR)模型,以建立这些指数与农药残留水平之间的关系。实验结果表明,增强后的GP-SR模型在归一化后使R2值最多提高0.195,决定系数提高2.5%,RMSE降低16%。这种方法为检测水果和蔬菜中的农药残留提供了一种更高效、更准确的方法,有助于改善食品安全监控。
-
利用电子鼻具多变量分析对Allium tuberosum的定性和定量农药残留分析
查看原文2025
Food Chemistry
中科院一区JCR一区Fanzhen Meng, Jingwen Zhu, Jihong Deng, Tianqi Wu, Aocheng Qi, Wencheng Zhu & Hui Jiang
食品标签
新鲜蔬菜 化学污染物 其他理化与结构表征 其他特殊成分计算机标签
支持向量机 超参优化/自动机器学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据随着Allium tuberosum农药残留问题日益严重,开发快速且稳健的检测方法以评估其农药残留浓度至关重要。本研究提出了一种结合电子鼻(E-nose)、颗粒群优化(PSA)算法和支持矢量机(SVM)的综合方法,用于胚胎块茎中农药残留的定性和定量检测。结果显示,SVM分类器能够有效区分正常样本和受污染样本,分类准确率达到100%。对于农药类型鉴定,SVM对氯吡萺、卡班达齐姆和前半阧酮的准确率达到100%。在定性分析中,氯吡萦和卡苯嗪的SVM准确率为100%,而脯铧酮的准确率为97.22%。定量结果表明,支持载体回归(SVR)在预测普罗西咪酮(Rp = 0.9130)和卡班达齐姆(Rp = 0.9572)方面表现优异。因此,E-nose可以作为监测蔬菜安全的有效工具。
-
整合人工智能与先进光谱技术用于精准食品安全与质量控制
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Imane Ziani, Hamza Bouakline, Abdelqader El Guerra, Ali El Bachiri, Marie-Laure Fauconnier & Farooq Sher
食品标签
食品安全与风险评估 化学污染物 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 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据高效液相色谱(HPLC)和气相色谱-质谱联用(GC-MS)等传统方法在食品分析中广泛应用,但在检测超低含量或复杂基质中的痕量污染物时往往存在局限性。本综述重点介绍了近期食品分析技术的突破,这些技术为消费者健康保护提供了前所未有的灵敏度和准确性。在这些进展中,宽线表面增强拉曼散射(WL-SERS)将灵敏度提高了十倍,能够检测到生鲜乳中三聚氰胺等污染物的浓度,远低于常规阈值。质谱成像(MSI),特别是基质辅助激光解吸/电离质谱成像(MALDI-MSI),在空间分辨率方面取得了显著进展,能够对食品成分和污染物进行精确的空间分布绘制。此外,二维液相色谱(2D-LC)和多维气相色谱技术也发展迅速,在复杂食品体系中实现了低至1 ppb的检测限。创新的传感器技术,如Dpy近红外(NIR)荧光探针和电化学发光(ECL)适配体传感器,提供了快速、高灵敏度的检测,有效补充了传统方法的不足。此外,人工智能(AI)和机器学习(ML)的整合彻底改变了食品质量评估方式,卷积神经网络(CNNs)等模型在识别掺假物方面的准确率高达99.85%。尽管取得了这些进展,但高昂的运营成本、传感器稳定性以及AI的计算需求等挑战依然存在。本综述强调了先进光谱技术、AI驱动分析和新型传感器技术的融合,并概述了未来策略,如设备小型化、纳米材料创新和标准化协议。这些方法为提高食品安全和质量管理的精确性、效率和可及性提供了变革性的途径,最终将促进公共卫生保护。
-
基于COF-ag基底的表面增强拉曼散射(SERS)方法与机器学习相结合,被用于检测牛奶中的四环素和土霉素
查看原文2025
Food Chemistry
中科院一区JCR一区Yunpeng Shang, Anqi Hu, Chaoqun Ma, Jiao Gu, Chun Zhu, Lei Li, Hui Gao, Taiqun Yang & Guoqing Chen
食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据四环素类抗生素因其强大的抗菌效果而备受重视,在畜牧业中被广泛使用,但也引发了人们对牛奶中存在不安全残留的担忧。本研究开发了一种基于氨基功能化共价有机框架(COF)的表面增强拉曼光谱(SERS)方法,用于检测牛奶中的痕量四环素(TTC)和土霉素(OTC)。COF材料作为选择性配体,有效减轻了牛奶基质的干扰。此外,COF与抗生素分子之间的氢键有助于拉曼信号的化学增强。该方法对TTC的检测限低至0.05 μg/L,对OTC的检测限低至0.07 μg/L。由于这些抗生素结构相似,研究采用主成分分析进行降维,并结合支持向量机分类算法,基于光谱数据实现了对抗生素的准确鉴别,分类准确率达100%。