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MXene的智能传感器在食品安全监测中的应用:合成策略、现场应用及前景新见解
查看原文2025
Food Chemistry
中科院一区JCR一区Yijian Zhao, Wenhan Yang, Xinru Lin & Qinzhi Wang
食品标签
食品安全与风险评估 其他理化与结构表征 其他特殊成分计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 时序传感器/物联网数据MXene是一类二维过渡金属碳化物/氮化物,因其优异的性能能够设计出高效传感器,在食品安全领域引起了广泛关注。因此,科学界越来越一致地认为,全面评估在推进基于MXene的现场食品质量智能评估系统方面发挥着关键作用。本综述涵盖了基于MXene的智能传感器在基本性能、通过各种识别原理和信号输出模式实现的合成策略等方面的进展,涉及食品监测的多个领域。对MXene集成传感平台的分类和创新设计范式进行了严格评估,结果表明基于MXene的传感器能够深度融合人工智能技术,以提高识别精度。本文首次对食品监测中基于MXene的智能传感器进行了系统综述,可为解决食品工业中传感平台的现有局限性和商业考量提供新思路。
-
利用近红外光谱和高光谱成像,结合多任务深度学习和仪器迁移学习,同时检测柑橘内部品质属性
查看原文2025
Food Chemistry
中科院一区JCR一区Cheng Li, Chen Jin, Yuanning Zhai, Yuanyuan Pu, Hengnian Qi & Chu Zhang
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
卷积神经网络 迁移学习/领域自适应 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据利用高光谱成像(HSI)和近红外(NIR)光谱同时确定柑橘水果的多重品质属性,并成功在不同仪器间转移模型,是两大主要挑战。本研究采用HSI系统和便携式NIR光谱仪,测定两种柑橘品种(曲州蓬干和湘西长野)的可溶固体含量(SSC)和pH值。开发了单任务和多任务卷积神经网络(CNN)模型用于柑橘质量检测。探讨了将单任务和多任务模型从HSI转移到近红外的可行性。对于这两种柑橘品种,SSC和pH的最优模型相关系数分别超过0.8和0.9。本研究展示了多任务学习和工具迁移学习在柑橘质量检测中的潜在应用,有助于HSI和NIR在实际获取优质柑橘及其他水果方面的应用。
-
基于多元数据融合与优化算法的红枣综合品质分析与产地溯源研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Peng Chen, Xiaoli Wang, Rao Fu, Xiaoyan Xiao, Yu Li, Tulin Lu, Tao Wang, Qiaosheng Guo, Peina Zhou, Chenghao Fei
食品标签
果蔬干/果脯/蔬菜干 质构与流变性质 颜色与外观品质 特征风味 常规理化指标测定 显微与成像技术 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 可见光/RGB/视频数据 质构/流变/感官数据 多模态/融合数据红枣是一种营养丰富的食物。其真实性受到了越来越多的关注。本研究利用计算机视觉、超快速气相电子鼻和气相色谱-质谱联用(GC-MS)技术,采集了来自中国新疆、甘肃、陕西、河南、山东和河北等多个地区的红枣样品。收集了包括光谱、质地和气味在内的多维度特征数据。通过采用多元统计方法,确定了46个特征因子(变量重要性投影值>1,P<0.05),并利用这些因子快速区分来自不同地区的红枣样品。还将多元统计分析与支持向量机(SVM)分类相结合,开发了一种新的人工智能算法。这种创新方法的准确率显著高于传统的判别分析方法,达到了100.0%的完美准确率。这项研究的成果使得能够开发出更多基于多维度数据来追溯食品原产地的智能算法。
-
食品包装的需求驱动设计方法:一种基于结构化数据库的新型决策支持系统
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Emma Pignères, Patrice Buche, Patrice Dole, Sébastien Gaucel, Hélène Angellier-Coussy, Nathalie Gontard, Fanny Coffigniez & Valérie Guillard
食品标签
新材料/包装与接触材料 包装与智能监测计算机标签
机器学习/统计学习 设计/生成与推荐食品包装方案的选择是一个多标准过程,并且符合这些标准并非总是直截了当。决策支持系统是精心设计的数值工具,旨在帮助用户进行此类决策过程。对于食品包装而言,食品需求必须指导决策过程。然而,这些知识并非总是可用,或分散在科学文献和工业界中。本研究的目的是提供一种基于结构化数据库的创新决策支持系统,该系统允许收集和汇编食品及包装材料数据,以实现更简单、更全面的食品需求驱动方法。它还依赖于允许组合这些数据的查询,以建议食品产品的最优包装材料。该决策支持系统的新颖性还在于能够以反向模式使用,为具有给定特性的材料提供食品包装应用。该系统在三个案例研究中得到验证:草莓和加工可涂抹奶酪作为食品案例研究,为其提供了最优包装材料;以及聚合物涂层纸板作为包装材料,为其找到了食品应用。本文展示了该决策支持系统架构和流程的相关性。案例研究强调了不仅考虑食品敏感性,还将储存温度和期望货架期作为系统输入的益处,展示了工具在未找到最优解时检索近似最优解的能力,以及寻找比当前基准更可持续的替代包装材料的潜力。
-
基于人工智能的深度学习框架预测食用蘑菇保质期
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Shima Javanmardi & Seyed-Hassan Miraei Ashtiani
食品标签
食用菌菇 货架期预测与品质劣变动力学 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 大规模数据集新鲜食用蘑菇极易腐败,易受微生物污染,且保质期有限,因此评估其新鲜度对于确保食品安全和减少浪费至关重要。此外,蘑菇的新鲜度对消费者健康和市场价格有显著影响。本研究引入并评估了一种基于计算机视觉的应用,利用卷积神经网络(CNN)来预测三种广泛食用的蘑菇品种——白蘑菇、香菇和平菇——在4±1°C储存下的保质期。为了提高分类准确性并降低训练成本,研究采用迁移学习对CNN模型进行微调,包括EfficientNet、NASNetLarge、ResNet-50、Inception-V3和MobileNet-V2。ResNet-50对白蘑菇和平菇表现出最佳性能,总体准确率分别为94.10%和89.11%,处理1960张图像分别耗时6.39分钟和8.70分钟。对于香菇,MobileNet-V2表现最优,准确率达到86.36%,处理时间为5.73分钟。将数字成像与CNN方法相结合,为快速、精确评估蘑菇新鲜度提供了一种可靠且高效的途径。该技术可显著改善采后储存和分销阶段的监控,促进明智决策和及时行动以减少腐败。