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
-
食品标签
营养与生物功能 可持续性与资源高值化 过程控制与数字化计算机标签
设计/生成与推荐到2050年,要养活近100亿人口,就必须开展颠覆性变革,保障所有人都能获取营养充足、可持续的食物。当前的粮食体系效率低下,不具备可持续性。以往改造全球粮食体系的各类传统举措推进速度过慢,无法实现大规模创新。本文探究人工智能重塑食品行业未来的潜力,梳理食品研发领域的前沿技术现状,阐述定义一款新型食品所需的数据,并列举七大难题,人工智能可助力我们为全人类研发兼具营养、美味与可持续属性的食品。借助人工智能推动食品创新普惠化,我们能够加快建设具备抗风险能力的全球粮食体系,以此应对粮食安全、气候变化与地球生态健康带来的紧迫挑战。
-
区块链与人工智能融合提升食品安全与质量控制的综合评述
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区R. Femimol & L. Nalini Joseph
食品标签
食品安全与风险评估 过程控制与数字化计算机标签
过程控制与实时优化 时序传感器/物联网数据食品安全与质量控制是当今全球食品供应链面临的最大挑战之一,复杂的网络、污染风险以及有限的透明度正在削弱其效率。本综述引入了一种新型混合框架,独特地整合了区块链技术、人工智能和物联网,以应对这些长期存在的问题。通过对2019年至2025年间进行的525项研究的分析,筛选出70篇专注于利用区块链技术的人工智能应用评述的论文。所提出的模型未采用传统路径,而是通过基于物联网的数据采集和应用了节能算法的供应链物流流程与运营,解决了有关可扩展性、计算要求和集成复杂性的关键问题。该方法在尊重隐私并符合标准实践的同时,增强了供应链物流的实时处理能力。该模型通过整合人工智能、区块链和物联网,在食品安全方面促进了前所未有的透明度、信任和运营效率,从而为保护消费者利益和物流安全提供了新颖且可扩展的解决方案。这种结合也提升了消费者的信任,增强了食品和物流的安全性,改进了食品的新型安全解决方案。
-
非侵入式与传统系统在肉制品质量评估与真伪鉴别中的整合应用:一篇包含文献计量分析的综述
查看原文2025
Food Chemistry: X
中科院一区JCR一区Asima Saleem, Aysha Imtiaz, Sanabil Yaqoob, Muhammad Awais, Kanza Aziz Awan, Hiba Naveed, Ibrahim Khalifa, Sezai Ercisli, Robert Mugabi, Saqer S. Alotaibi, Gulzar Ahmad Nayik, Jian-Ya Qian & Qing Shen
食品标签
肉类/蛋类与水产品 品质、结构与理化性质 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
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据全球肉类需求的不断增长以及价格波动,引发了人们对肉类安全、掺假和可追溯性的担忧。传统方法耗时、费力且依赖试剂,这限制了它们在快速检测或现场筛查中的应用。本综述全面概述了新兴的非侵入性技术,如荧光光谱、近红外光谱、中红外光谱和拉曼光谱,这些技术可用于评估肉类质量和检测掺假。本综述的主要创新点在于将文献计量分析与对符合联合国可持续发展目标的先进技术的批判性评估相结合。此外,综述还强调了混合系统的潜力,这类系统将光谱学与化学计量学和机器学习相结合,能够提供准确、实时且可持续的肉类真伪鉴别解决方案。同时,综述也指出了研究空白,例如需要多掺假物检测模型、标准化的验证协议以及开放获取的光谱数据库。通过使创新与监管及可持续发展框架相契合,本综述倡导采用稳健、可扩展的解决方案,以构建面向未来的肉类供应链。
-
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。
-
葡萄酒中挥发性有机化合物特征的深入分析:集成智能感官与代谢组学技术、化学计量学和机器学习模型的系统研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Rui Xie, Jiawen Liu, Yutao Li, Yong Chen, Tian Shen, Meilong Xu, Yanlun Ju, Yulin Fang & Zhenwen Zhang
食品标签
酒精饮料 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 其他理化与结构表征 风味组学计算机标签
机器学习/统计学习 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 组学数据采用电子鼻、顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)和顶空-气相色谱-离子迁移谱联用(HS-GC-IMS)技术,对“ Dornfelder”(DF)、“ Petit Verdot”(PV)、“ Pinot Noir”(PN)、“ Sangiovese”(SV)和“ Malbec”(MB)这几种葡萄酒中的挥发性有机化合物(VOCs)进行了分析。通过两种技术共鉴定出94种挥发性有机化合物。具体而言,HS-SPME-GC-MS鉴定出70种化合物(其中醇类物质的浓度占比为52.56%-68.75%),HS-GC-IMS鉴定出36种化合物(其中酯类物质的浓度占比为35.58%-42.05%),且有12种化合物通过两种方法均被鉴定出来。通过化学计量学和机器学习分析,确定了15种关键差异挥发性有机化合物。此外,对电子鼻传感器响应与关键差异挥发性有机化合物的相关性分析表明,W2S、W2W和W5S传感器可能更适合用于预测乙酸2-甲基丁酯、3-甲基丁酸和乙酸异戊酯的含量,从而有助于快速识别PV葡萄酒。这些结果有助于了解不同品种葡萄酒之间的风味差异,并为葡萄酒风味区分、质量控制和产品开发提供理论依据。