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
-
工业4.0背景下人工智能驱动的智能包装技术在食品供应链中的应用、挑战与前景
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xinlei Yu, Zhen Wang, Zhipeng Gao, Haoyu Lang, Xuefei Shao & Zhaolong Liu
食品标签
包装设计与机械性能 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 深度学习 分类/鉴别/等级评定背景:食品包装系统是食品供应链的关键组成部分。其功能不仅限于保护食品免受微生物污染、化学渗透和物理损坏,还直接影响供应链的整体运营效率。工业4.0概念的出现以及人工智能(AI)的快速发展,加速了传统包装向智能包装系统的转型。这一转变显著提高了供应链各个环节的透明度、响应能力和安全性。
范围与方法:本文全面综述了工业4.0背景下智能包装技术的发展及当前应用。深入分析了人工智能驱动的智能包装在食品供应链中的关键作用和应用,重点关注四个主要方面:物理防护、实时质量监测、可追溯性以及可持续包装材料。此外,本文提出了创新性的“工业4.0下人工智能驱动的智能食品包装框架”,并强调了将人工智能与其他工业4.0技术相融合的重要性。
主要发现与结论:人工智能驱动的智能食品包装系统在现代食品供应链中展现出巨大潜力。它们有效解决了传统包装在新鲜度监测、可追溯性提升、食品安全以及包装可持续性方面存在的局限性。这些系统在学术研究和商业应用领域都具有很强的潜力。 -
基于气相色谱/液相色谱-质谱代谢组学结合化学计量学与生物活性分析的独行菜植物化学特征研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Fengke Lin, Qun Zhou, Guochen Lin, Zihao Liu, Rui Zhao & Binsheng Luo
食品标签
其他果蔬制品/植物类 特征风味 营养与生物功能 光谱/色谱/质谱等分析方法 其他理化与结构表征 代谢组学计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 组学数据独行菜(Lepidium apetalum)因其食用和药用价值而受到重视,然而对其化学组成和生物活性的研究仍较为有限。本研究对该植物不同部位的挥发油(VOs)和非挥发性提取物(NVEs)进行了探究。气相色谱-质谱联用(GC-MS)鉴定出111种挥发物,其中主要为含氮类(在植物各部位中占比1.99–70.38%)、含硫类(5.65–62.07%)和萜类化合物(0.28–61.06%)。超高效液相色谱-四极杆-轨道阱-高分辨质谱(UPLC-QE-Orbitrap-HRMS)表征出573种代谢物,包括脂肪酸、氨基酸和苯丙素类。主成分分析(PCA)和偏最小二乘判别分析(PLS-DA)显示出显著的代谢差异,从GC-MS中识别出26种差异化合物,从LC-MS中识别出88种。生物活性的差异较为显著:根和果壳的挥发油表现出最强的一氧化氮(NO)抑制作用(半数抑制浓度IC50为1.34–2.24μg/mL);叶片的非挥发性提取物对HL-60细胞的活性最强(IC50为82.10μg/mL);种子和果壳提取物的抗氧化活性最高(IC50为143.69–874.43μg/mL)。相关性分析确定了关键代谢物,包括异硫氰酸苄酯和芥属素,它们与生物活性存在强相关性。这些发现拓展了对独行菜植物化学的认知,并凸显了其在食品和营养保健品应用方面的潜力。
-
融合人工智能与检测技术、物联网及区块链实现从农田到餐桌的食品真伪鉴别与追溯
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Zhaolong Liu, Xinlei Yu, Nan Liu, Cuiling Liu, Ao Jiang & Lanzhen Chen
食品标签
食品安全与风险评估 过程控制与数字化 光谱/色谱/质谱等分析方法计算机标签
分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据背景:确保食品的真实性与可追溯性是减少食品欺诈、保障公众健康和建立消费者信任的基础,也是全球食品安全的基石。随着食品供应链日益复杂,人工智能(AI)与物联网(IoT)和区块链技术相结合,在提高检测精度、增强透明度以及应对食品可追溯性关键挑战方面发挥着关键作用。
范围与方法:本文全面综述了人工智能在食品安全中的应用,重点关注光谱学、质谱、成像和基于传感器的检测技术。同时,探讨了人工智能与物联网及区块链的融合,强调了它们在构建安全、透明和可扩展的追溯框架方面的潜力。此外,本研究还探讨了这一集成框架如何推动食品工业4.0的发展,实现自动化、实时监控和互联供应链。最后,本文讨论了当前面临的挑战,并对推进人工智能驱动的食品真伪检测与追溯系统提出了展望。
主要发现与结论:人工智能、物联网和区块链的融合促进了跨平台兼容性和可扩展性,优化了供应链数据收集,并加强了追溯信息的安全性。人工智能-物联网-区块链框架的快速发展正在推动食品工业4.0的演进,促进高精度分析、自动化、成本效益和质量控制方面的进步,从而提升食品安全与透明度。 -
微波能量与热空气结合对Samh(Mesembryanthemum forsskalei Hochst)种子的功能性质、抗氧化活性和粘贴性能的影响
查看原文2025
Food Chemistry
中科院一区JCR一区Mohammed Saeed Alkaltham, Salah A. Almaiman, Mohamed A. Ibraheem & Amro B. Hassan
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 物理辅助加工 蛋白质与氨基酸计算机标签
偏最小二乘法 定量预测/回归分析本研究旨在探究微波加热联合热风(70摄氏度)在不同处理时长(0秒、90秒、180秒)条件下,对沙姆籽(水分含量8%、12%、16%)色泽、可溶性消化蛋白、功能特性、糊化特性及抗氧化能力的影响。研究结果表明,微波加热可显著改变沙姆籽的色泽,提升籽粒蛋白溶解度,并改善其功能特性与黏度特性。此外,沙姆籽的水分含量和微波处理时长会对其各项品质指标产生显著影响。偏最小二乘(PLS)模型验证结果显示,水分含量16%、处理时长180秒的沙姆籽经微波联合热风循环处理效果最优。综上,微波技术有望成为改善沙姆籽品质与功能特性的一种新型高效加工技术。
-
结合HS-SPME-GCMS与化学计量学识别掺假亚麻籽油及追踪添加剂来源
查看原文2025
Food Control
中科院一区JCR一区Yan-Jin Wen, Long-He Wang, Meng Zhai, Hui Ma, Hua-Peng Cui, Lu Han, Guo-Bi Chai, Yi Lv, Qing-Xia Zheng, Yong-Jie Yu & Yuan-bin She
食品标签
植物油 特征风味 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据亚麻籽油中普遍存在的掺假问题亟待高效的方法来解决。本研究提出了一种结合顶空固相微萃取-气相色谱-质谱(HS-SPME-GCMS)与化学计量学的新策略,用于高效识别掺假亚麻籽油并追踪非法添加油的植物来源。研究设计了数据分析引导的HS-SPME参数优化方法,利用自研的自动非靶向数据分析软件AntDAS-GCMS处理GC-MS数据文件,全面研究了纯亚麻籽油与大豆油、花生油、菜籽油等其他食用油之间的风味物质差异。最终,采用两阶段分类策略,通过构建两个独立的偏最小二乘判别分析(PLS-DA)模型,分别实现掺假识别和添加剂来源追溯。结果表明,该策略在第一阶段对掺假亚麻籽油的识别准确率达100%,第二阶段对添加油来源追溯的准确率达96.0%。该数据分析策略为食用油掺假问题提供了新的解决方案。