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 2456 条结果
-
利用微型近红外光谱仪配合支持矢量机识别牛肉熟成时间
查看原文2025
Food Chemistry
中科院一区JCR一区Jonatã Henrique Rezende-de-Souza, Venancio Ferreira de Moraes-Neto, Juliana Azevedo Lima Pallone & Sergio Bertelli Pflanzer
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素(宏量) 蛋白质与氨基酸 脂质与脂肪酸计算机标签
支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据消费者越来越要求可持续的生产方式和高质量标准。近红外(NIR)光谱为解决这些问题提供了一种非侵入性且高效的工具。本研究旨在利用近红外光谱和化学计量方法,利用基于SVM的分类模型,评估真空陈酿牛肉在不同熟成期(3天、10天、17天和24天)的表现。共采集了356个样品的近红外光谱,并进行了主理分析(PCA)。第一和第三主要成分解释了83.05%的方差,显示了3天和10天样本与17天和24天样本的分组倾向。与衰老相关的化学基团,如蛋白质、水、脂质、酸和醇,驱动了光谱分化。1228至1337纳米之间的光谱区域被确定为模型开发中最相关的区域,准确率达到96.60%。本研究表明,便携式近红外光谱仪结合SVM分类,提供了一种快速、经济且用户友好的陈年牛肉分类方法。
-
从被动包装到具备自我感知的包装:灵活的传感器与人工智能集成助力智能、可持续的食品包装
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Zhixin Jia, Hongwei Hou, Huan Chen, Yaning Fu, Wenjun Mu, Xinting Yang & Jingbin Zhang
食品标签
智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链计算机标签
机器学习/统计学习 卷积神经网络 循环神经网络 模型可解释性 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 时序传感器/物联网数据 多模态/融合数据背景:全球农业食品领域在确保食品质量、安全和可持续性方面面临着长期挑战。传统包装仅起到被动阻隔的作用,无法实时监测食品的物理化学或微生物变化。这一局限性使得人们不得不依赖保守的保质期,进而导致大量食品浪费。智能交互包装通过检测和传递食品的动态状况来解决这些问题。
范围与方法:本综述对柔性传感器材料(包括导电聚合物和碳基纳米材料)及其与无线通信系统和能量收集技术的集成进行了批判性评估。它还评估了用于新鲜度评分和保质期预测的机器学习驱动的人工智能(AI)方法。通过涉及传感器贴片、嵌入式薄膜、物流优化和消费者界面的案例研究,对实际应用进行了综述。
主要发现与结论:柔性传感器能够在毫米尺度上监测温度、湿度、气体、pH值和微生物代谢物,而卷对卷印刷技术支持将其大规模集成到包装中。人工智能驱动的流程处理多模态传感器数据,以生成新鲜度评分、估计保质期并检测异常。这些系统采用回归模型、树基模型以及通过可解释人工智能技术增强的卷积神经网络和循环神经网络。传感器贴片、嵌入式薄膜和人工智能驱动的物流的实际应用已实现了食品腐败的减少。尽管取得了这些进展,但在解决传感器漂移、实现能量自主(即通过车载能量收集和管理实现独立运行的系统)、确保材料循环性以及满足监管要求方面仍存在挑战。未来的工作应侧重于整合自修复材料、改进能量收集、可生物降解电子器件和人机交互,以实现可持续的自主智能包装系统。 -
利用近红外和中红外光谱检测可可粉中角豆粉掺杂:一项全面的分类与回归分析
查看原文2025
Food Research International
中科院一区JCR一区Sebahattin Serhat Turgut, Huseyin Ayvaz, Muhammed Ali Dogan, Dolores Pérez Marín & Ahmed Menevseoglu
食品标签
巧克力及含可可制品 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据可可粉是一种全球贸易的食品,主要产于发展中国家,具有重要的经济价值。然而,它容易受到角豆粉等廉价材料的掺杂,尤其是在感官方法难以检测的低浓度情况下。为了解决这一问题,振动光谱结合多元分析的快速分析技术可能有助于快速可靠地检测掺杂。在本研究中,使用四种不同的红外光谱仪收集了光谱数据:一台台式FT-NIR系统、两台便携式NIR仪器和一台台式FT-MIR-ATR。样品包括纯可可粉、纯角豆粉以及它们按角豆浓度从0%到60%不等的混合物。开发了分类和回归模型来检测和量化可可粉中角豆的存在。分类模型,包括随机森林(RF)、支持向量机(SVM)、多层感知器(MLP)、k-近邻(kNN)、线性判别分析(LDA)和软投票分类器,在区分可可粉、角豆粉和可可-角豆混合物方面表现出卓越的性能,接收者操作特征曲线下面积(AUC)得分高于0.99,尤其是在使用台式FT-NIR、一种经济高效的便携式NIR和FT-MIR-ATR设备时。同样,回归模型——RF、SVM、MLP、kNN、偏最小二乘回归和投票回归器——也表现出强大的预测能力。特别是基于FT-MIR和便携式NIR的模型显示出极高的准确性,RPD值分别超过16和13,表明它们适用于质量和过程控制。使用置换特征重要性确定了驱动模型预测的关键波长,适用于回归器和分类器。总的来说,这些发现凸显并证明了NIR和MIR光谱作为快速、稳健、非破坏性工具在食品真实性筛查和质量控制方面的潜力。
-
机器学习辅助微型近红外用于快速监测储存甘薯糖化过程中酶活性和碳水化合物的变化
查看原文2025
LWT
中科院一区JCR一区Hong-Ju He, Longzhu Xing, Mengchao Lv, Hong Qiao, Yuling Wang, Jicai Bi, Xingqi Ou, & Shengyang Niu
食品标签
其他根茎类 过程监测与在线检测 加工与新加工技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据本研究探讨了一种微型近红外 (NIR) 系统(900 - 1700 nm)结合机器学习算法(MLA),用于无损监测储存甘薯(SSP)糖化过程中α-淀粉酶活性(α AA)、β-淀粉酶活性(β AA)、支链淀粉含量(APC)、直链淀粉含量(AC)、可溶性糖含量(SSC)、总糖含量(TSC)的动态变化。研究中执行了六种不同的机器学习算法,以挖掘全谱近红外光谱并与测量的六个指标建立关联,结果显示支持向量回归(SVR)模型表现最佳,在预测中具有最高的相关系数(R P)值和最低的均方根误差(RMSE P)(R P = 0.885 - 0.942,RMSE P = 3.998 - 2133.206,RPD = 3.017 - 5.854)。通过应用包括连续投影算法(SPA)、递归特征消除(RFE)和改进的鲸鱼优化算法(iWOA)在内的三种技术,选择了25-30个最优波长,并使基于最优波长的SVR模型能够以类似的良好性能预测六个指标(R P = 0.884 - 0.917,RMSE P = 4.238 - 2261.198,RPD = 2.866 - 3.721)。通过一组具有小偏差的独立SSP进一步验证了这些基于最优波长的模型的良好能力。总之,微型近红外系统与SVR算法结合在预测SSP的α氨基酸、β氨基酸、总蛋白质含量(APC)、抗坏血酸(AC)、可溶性固形物(SSC)和总可溶性糖(TSC)方面显示出极大潜力,为开发用于SSP质量评价的专业近红外设备提供了有价值的参考。
-
SensoryGAN:集成神经感官与细胞安全性验证的AI驱动低毒性乳品风味替代品设计
查看原文2025
Food Research International
中科院一区JCR一区Jiaqi Yang, Jingzhi Zhang, Jiawei Xu, Qinfei Ke, Xingran Kou & Xin Huang
食品标签
乳饮料 过敏原与毒性问题 细胞模型计算机标签
生成对抗网络 设计/生成与推荐 时序传感器/物联网数据 小规模数据集香料在食品工业中至关重要,然而围绕关键乳品风味化合物二乙酰(DA)的健康问题使得寻找更安全、可持续的替代品变得必要。本研究提出了SensoryGAN,这是一种新颖的预测范式,它整合了图卷积网络(GCN)和遗传算法(GA),专门用于对乳品风味剂的香气属性进行建模和优化。该模型在47种涵盖低至中等分子复杂性(Bertz/Hendrickson指数:0.11–1.0)的乳品风味化合物上进行训练,实现了86.14%的预测准确率,优于传统方法。实验验证证实,所设计的替代香料在脑电图激活模式上与DA等效(Delta/Theta-Alpha频带),同时在肺上皮细胞中表现出显著更低的细胞毒性(p > 0.05)和减少的促炎细胞因子诱导(IL-6/TNF-α)。该框架为开发安全、注重健康的风味解决方案奠定了有针对性的基础,并对推进乳制品创新中的可持续实践具有直接意义。