01 / 01

类目筛选(食品学者)

清除筛选
  • 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)

清除筛选
  • 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)

清除全部筛选
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 人工智能辅助的挥发性和生物胺传感器在食品新鲜度智能监测中的应用——最新进展、挑战与未来展望

    2025
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Xiaobo Zhang, Yifan Guo, Xiuwen Wang, Jingli Yuan, Qiuyue Zheng, Bing Hu, Ronggang Liu & Jijuan Cao

    食品标签

    微生物安全 智能/指示型包装 包装系统中的监测与标签应用

    计算机标签

    机器学习/统计学习 分类/鉴别/等级评定

    背景:食品在储存、运输和分销过程中的早期腐败对食品安全和人类健康构成严重威胁。因此,开发集成了新鲜度监测功能的智能食品包装系统具有重要意义。挥发性生物胺(VBAs)是衡量食品新鲜度的关键指标。尽管传统的VBAs传感器已得到广泛应用,但在灵敏度、准确性和便携性方面仍面临挑战。近年来,人工智能(AI)的出现为新型传感材料的筛选、传感器性能的优化以及传感机制的探索开辟了新途径。人工智能在开发高性能智能VBAs传感器方面展现出巨大潜力。
    范围与方法:本综述全面总结了过去五年中,集成人工智能的VBAs传感器在食品新鲜度实时监测和智能包装领域的最新进展。主要涵盖了VBAs传感器的响应模式、传感材料及其检测机制。此外,综述还重点介绍了智能手机集成、机器学习、无线传输和自供能系统在VBAs监测和智能食品包装中的最新应用。同时,讨论了人工智能辅助的VBAs传感器目前存在的局限性及未来展望。
    主要发现与结论:人工智能辅助的VBAs传感器通过实时处理复杂的多维数据,显著提升了检测性能,推动食品新鲜度检测技术从“被动监测”向“智能决策”发生变革性转变。然而,其在设备兼容性和多目标同时检测方面仍面临挑战。未来,跨学科合作有望推动下一代智能传感器的创新,促进食品安全监测技术的持续发展。

  • 稳定同位素与多元素分析结合统计建模用于藏红花产地认证

    2025
    Food Chemistry: X
    中科院一区
    JCR一区
    查看原文

    Cathrine Terro, Lidija Strojnik, Doris Potocnik, Marta Jagodic Hudobivnik, Darja Mazej, Luana Bontempo, Mahmoud Eddabdouby, Nour Eddine Amenzou, Benmansour Moncef, Simon Kelly & Nives Ogrinc

    食品标签

    香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素

    计算机标签

    偏最小二乘法 分类/鉴别/等级评定 质构/流变/感官数据

    藏红花(Crocus sativus L.)是世界上最珍贵的香料之一,但其高昂的市场价格和复杂的供应链使其特别容易被贴错标签和造假。为解决这一问题,我们将稳定同位素比率分析(δ2H、δ13C、δ15N、δ18O、δ34S)与多元素分析及先进的统计建模相结合,以鉴定藏红花的地理来源。我们使用同位素比率质谱法(IRMS)和电感耦合等离子体质谱法(ICP-MS)对总共75份藏红花样本(其中48份为正品)进行了分析,这些样本来自摩洛哥、希腊、斯洛文尼亚、西班牙、伊朗和英国。我们还整合了两个之前发表的数据集,使得正品样本总数达到163份。之所以能够整合外部数据集,是因为它们与本研究在方法和分析上具有很强的可比性,确保了结果的直接兼容性。正交偏最小二乘判别分析(OPLS-DA)达到了94%的分类准确率,确定δ2H、δ15N、钾(K)、钙(Ca)、δ13C、锶(Sr)、锰(Mn)、钴(Co)和锌(Zn)是区分地理来源的关键变量。纳入元素比率(铷/锶、钾/铷、钙/锶)和/或δ18O与δ34S进一步优化了分类,尤其提高了摩洛哥藏红花的鉴定准确率。通过数据驱动的类类比软独立建模(DD-SIMCA)进行的类别建模,证实了各目标组具有较高的灵敏度和特异性,并发现约15%的商业样本存在潜在的贴错标签问题,其中标注为伊朗产的产品差异最大(24%)。这些研究结果突显了稳定同位素与多元素联合分析方法在藏红花产地鉴定中的作用,并强调需要强有力的分析验证来提高藏红花贸易的透明度和打击欺诈行为。

  • 赋能麦醇溶蛋白检测:用于快速可靠结果的可视编码半定量侧向层析系统

    2025
    Journal of Agricultural and Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Wen-Hao Chen, Jill Christiansen Smith, Seaton Smith, Hui-Yin Huang, Chester Yuh-Cherng Chu, Yuen-Yee Choi, Yuyu Chen, Huan-Chi Chang, Chuan-Chih Hsu, & Yu-Cheng Hsiao

    食品标签

    小麦 食品安全与风险评估 显微与成像技术 标准/法规/数据库分析 蛋白质与氨基酸

    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 时序传感器/物联网数据

    小麦是全球主粮,但其主要蛋白“麸质”可引发乳糜泻患者严重反应;乳糜泻是一种影响约 1% 人群的自身免疫性疾病,目前唯一治疗方式是终身无麸质饮食。麦醇溶蛋白是麸质中的主要触发成分,由于溶解性低而难以检测,这限制了乳糜泻患者安全外食和选择多样化食品。为解决这一问题,本研究开发了 LEO(Lateral flow Enhanced by Optical imaging)便携式麸质检测系统,将侧向层析检测与基于智能手机的图像分析结合。LEO 采用物联网增强技术,可在 3 min 内给出结果,并以超过 98% 的准确率定量检测麦醇溶蛋白,灵敏度低于 FDA 规定的 20 ppm 阈值。在真实场景试验中,LEO 成功检出标称“无麸质”餐厅菜品中的隐藏麸质。该系统具有快速、准确和易用特点,可支持乳糜泻人群做出更安全的食品选择,并适用于个人、临床、工业和监管场景。

  • 利用可见-近红外和短波红外光谱数据融合对鲜猪肉主要成分的无损检测

    2025
    LWT
    中科院一区
    JCR一区
    查看原文

    Zhilei Ren, Ruoxin Chen, Wei Ning, Jingran Bi, Gongliang Zhang, & Hongman Hou

    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 常规理化指标测定 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 多模态/融合数据 红外/拉曼光谱数据

    为了实现对猪肉主要成分的快速无损检测,建立了部分最小二乘回归(PLSR)模型,利用可见近红外光谱(VNIR)和短波红外光谱(SWIR)结合数据融合策略,预测猪腰长肌(PLM)的水分、脂肪和蛋白质含量。结果表明,低级数据融合策略在预测水分含量方面最有效(R P = 0.971, RMSEP = 0.192),而高级数据融合策略在预测脂肪含量(R P = 0.961, RMSEP = 0.770)和蛋白质含量(R P = 0.929, RMSEP = 0.281)方面表现更优。具体来说,与单一光谱源模型获得的最佳结果相比,通过数据融合建立的水分、脂肪和蛋白质含量模型的RPD值分别提高了1.206、0.333和0.300。总之,将VNIR和SWIR光谱数据与数据融合策略相结合,有效地解决了单一光谱检测范围有限的问题,为高效定量分析猪肉化学成分提供了一种有前景的替代传统分析方法。此外,它还为开发手持式肉类分析仪提供了核心算法,并支持快速现场检测设备的产业化。

  • 增强安全与质量的智能食品认证技术进展

    2025
    Trends in Food Science and Technology
    中科院一区
    JCR一区
    查看原文

    Mansoor Ahmad Bhat, Mohd Yousuf Rather, Prabhakar Singh, Saqib Hassan & Naseer Hussain

    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

    机器学习/统计学习 分类/鉴别/等级评定

    背景:食品认证对于确保全球食品供应链的安全、质量和可追溯性至关重要。随着食品欺诈和掺假事件的增加,需要先进的方法来验证产品的真实性。传统方法通常存在不足,因此有必要整合人工智能(AI)、机器学习(ML)、物联网(IoT)和区块链等技术。
    范围与方法:本综述探讨了AI、ML、IoT和区块链技术在食品认证中的应用。评估了它们在提高认证过程的准确性、效率和透明度方面的有效性。综述分析了最新的进展和应用,全面阐述了智能食品认证的现状和未来前景。
    主要发现与结论:AI和ML算法被用于分析大量数据集,识别表明食品欺诈的模式。IoT设备能够实时监控食品供应链,确保符合质量标准。区块链技术提供了安全透明的记录保存方式,彻底改变了从农场到餐桌的可追溯性。这些技术提供了无与伦比的准确性、效率和可追溯性,确保了食品的真实性和安全性。本综述强调了它们在加强全球食品供应系统、应对现代供应链挑战以及满足监管标准和消费者需求方面的潜力。
    本综述突出了将先进技术整合到食品认证过程中的变革潜力,为建立更安全、更可信的食品供应链铺平了道路。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号