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
-
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。
-
利用DESI-MS结合神经网络对植物油进行化学表征与分类
查看原文2025
Food Chemistry
中科院一区JCR一区Yiwei Cui, Liangcun Zhu, Yan Li, Kai Ge, Weibao Lu, Lijun Ge, Kang Chen, Jingi Xue, Feiyang Zheng, Shuncong Dai, Huafei Pan, Jingjing Liang, Liting Ji & Qing Shen
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
卷积神经网络 分类/鉴别/等级评定本研究针对因价格差异与利益驱动引发的植物油标签掺假问题,建立了一种将解吸电喷雾电离质谱(DESI-MS)与浅层卷积神经网络(SCNN)相结合的检测方法。该方法可对脂质成分进行表征,并实现九种植物油的区分鉴定,包括玉米油、大豆油、花生油、芝麻油、米糠油、葵花籽油、山茶油、橄榄油及核桃油。
经优化的解吸电喷雾电离质谱方法可提升非极性甘油酯的电离效率,并能检出[甘油三酯+钠离子]⁺、[甘油三酯+铵根离子]⁺等离子加合物。研究共筛选出53个脂质特征峰,为各类植物油构建了稳定可靠的脂质指纹图谱。基于脂质指纹图谱构建浅层卷积神经网络模型,分类准确率可达98.5±2.2%。
解吸电喷雾电离质谱与浅层卷积神经网络的联用,为植物油的鉴别与分类提供了一种快速、可靠的技术手段,可有效遏制植物油标签掺假行为、保障油品质量。该技术能够实现精准真伪溯源,有助于提升食品标签标注与质量管控环节的透明度及规范性。 -
可解释的人工智能驱动的多维化学指纹用于芡实的地理认证
查看原文2025
npj Science of Food
中科院一区JCR一区Daixin Yu, Cheng Qu, Jing Nie, Pei Wen, Yuyang Zhao, Caiyan Dai, Hui Yan, Yuwei Yuan & Qinan Wu
食品标签
豆类与坚果(及籽类) 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
梯度提升决策树 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据芡实(Euryales Semen, ES)是亚洲一种重要的水生食品,其品质和价格因地理起源而异。为确保芡实的真实性,成功开发了一种结合稳定同位素、多元素和淀粉组成以及可解释算法的溯源策略。结果表明,不同产区的芡实呈现不同的化学指纹图谱。引入基于树的智能算法进行分类,其中轻梯度提升机(LightGBM)实现了最高准确率97.67%。Shapley加法解释(SHAP)用于解释LightGBM输出的特征影响。值得注意的是,排名前10的重要变量,包括Na、V、Ba、Sb、Cu、Ti、Mn、%N、直链淀粉和直链淀粉与支链淀粉比值(SHAP值>1.0),被选为关键因子。此外,环境因素与这些关键变量显著相关(ρ<0.05)。总体而言,本研究为芡实或其他水生作物的地理起源溯源提供了一种有效策略。
-
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。
-
食品质量与安全评估中多模态融合技术的系统综述: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Yanqiu Xiao, Yanxin Li, Guangzhen Cui, Hua Zhang & Weili Zhang
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 深度学习 多模态基础模型 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据背景:食品掺假、微生物污染和农药残留超标等问题的频繁发生,对食品安全和公众健康构成的威胁日益加剧。这些挑战变得越来越严峻且普遍。近年来,人工智能的进步推动了单模态方法的发展。然而,由于依赖单一维度的信息,这些方法的性能受到限制。多模态融合技术的兴起有望显著改善复杂食品样本的检测效果。
范围与方法:本文系统综述了近年来在食品质量与安全检测中应用的多模态融合方法。首先回顾了常用检测模态的特点和应用,然后详细分析了在低层次、中层次和高层次三个不同层面上融合策略的实现机制。此外,还总结了这些策略在食品掺假识别、溯源和风味建模等典型任务中的应用现状。最后,本文指出了当前存在的技术挑战,并提出了未来的潜在研究方向。
主要发现与结论:多模态融合方法在提高食品检测模型的准确性和稳定性方面具有巨大潜力。与传统的单模态方法相比,多模态策略在食品质量与安全检测中具有明显优势。这些优势源于其能够更有效地融合来自多个来源的不同类型信息。然而,当前的多模态融合方法在实际应用中仍面临一些挑战。随着人工智能技术的不断进步,多模态融合方法有望在食品安全检测中得到更广泛的应用。这种更广泛的应用将为食品安全监管提供有力支持。