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
标签记录（计算机学者）
共 2456 条结果
-
基于深度学习的食品操作员良好卫生规范控制措施检测
查看原文
2025
Food Control
中科院一区JCR一区
I-Chun Chen, Ching-Ho Chi & Hao-Hsiang Ku
食品标签
食品安全与风险评估 其他难以归类的方法计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 超大规模/工业级数据集食品操作员的卫生习惯和行为对确保生产过程中的食品安全至关重要。良好卫生规范（GHP）要求食品操作员遵循严格的卫生标准，包括正确的洗手程序和使用个人防护装备（PPE），如发网、口罩、手套、防护服、裤子和工作鞋，以防止食品工厂中的交叉污染。然而，在大规模操作中，人工检查通常效率低下且不切实际。为此，本研究提出了一种基于深度学习的系统，利用计算机视觉和卷积神经网络（CNN）在工人进入生产区域前自动检测手部卫生和PPE合规性。这确保了GHP标准的遵守，增强了食品安全，提高了检查效率并降低了成本。使用一个包含20，222个条目的数据集（涵盖8个角度的12个洗手动作和彩色编码的PPE状态）来训练和评估10个模型：YOLOv8、YOLOv7、YOLOv6、YOLOv5、ResNet、DenseNet、MobileNetv2、EfficientNetv2、VGG和Vision Transformer（ViT）。YOLOv6和YOLOv8在洗手识别方面达到了最高准确率（0.999），而DenseNet在PPE检测方面达到了最高准确率（0.956）。该系统为监测卫生习惯提供了一种高效、自动化的解决方案，有助于防止交叉污染并确保工厂环境内的食品安全。
-
深度学习使得在食物残渣存在下能够快速检测活细菌
查看原文
2025
npj Science of Food
中科院一区JCR一区
Hyeon Woo Park, Zhengao Li, Luyao Ma & Nitin Nitin
食品标签
微生物安全 显微与成像技术计算机标签
卷积神经网络 目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食源性致病菌污染是一个重大的公共卫生问题，需要快速、准确的检测方法。传统方法，如基于培养或分子检测的方法，耗时耗力，且通常需要专业知识。在此，我们开发了一种基于深度学习的策略，利用微菌落的简单白光图像，即使存在形态相似的食物残渣，也能快速检测和分类活细菌。该模型基于ResNet50和区域提议网络，使用大肠杆菌、单核细胞增生李斯特菌、枯草芽孢杆菌以及鸡肉、菠菜和奶酪的残渣进行训练。仅用细菌训练的模型将残渣误分类为细菌（假阳性率为24.2%），而同时用细菌和食物残渣训练的模型实现了0%的假阳性率、100%的精确度和94.4%的召回率。使用产GFP的枯草芽孢杆菌在食品基质中的验证进一步证实了其稳健的性能（平均精确度94.6%，平均召回率92.5%）。这种经济高效的方法可在3小时内实现对复杂食品中细菌的可靠检测。
-
基于表面增强拉曼光谱与XGBoost算法对镰孢菌层出复合种的鉴定研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
Elem T.S. Caramês, Venancio F. de Moraes-Neto, Bruno G. Bertozzi, Leandro P. da Silva, Javier E.L. Villa, Juliana A.L. Pallone, Liliana O. Rocha & Benedito Correa
食品标签
杂粮 微生物安全 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 碳水化合物与糖类计算机标签
梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据快速且可靠地识别镰刀菌真菌至关重要，因为它们在食物变质和潜在毒性中的作用。传统的鉴定方法通常耗时且资源密集。本研究探讨利用表面增强拉曼光谱（SERS）鉴定从大麦中分离出的四种桑布镰刀菌物种。使用金纳米颗粒进行信号增强，采集了60个样品的SERS光谱，并应用了极端梯度增强（XGBoost）算法进行分类。该方法实现了100%的精度、召回率、准确性和F1评分，从而展现了卓越的性能。关于化学解释，关键光谱特征分别位于495、546、764、1228、1274和1605厘米−1由XGBoost揭示，并与真菌化学成分差异相关;尤其与几丁质、代谢物和蛋白质含量相关。因此，SERS和XGBoost具有对多种真菌及其他微生物进行分类的巨大潜力。
-
基于整体化化学计量学、多变量分析和人工神经网络的橄榄（Olea europaea L.）栽培品种果实品质、脂肪酸组成及生化性状建模
查看原文
2025
LWT
中科院一区JCR一区
Celil Toplu, Yazgan Tunç, Ali Khadivi, & Daya Shankar Mishra
食品标签
新鲜水果 植物油 品质、结构与理化性质 营养与生物功能 常规理化指标测定 传统统计分析与回归 脂质与脂肪酸 多酚与黄酮计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析橄榄（Olea europaea L.）油的质量受品种的生化成分、脂肪酸谱和果树学性状的复杂影响。鉴于消费者对功能性食品和促进健康的膳食脂肪的需求日益增加，使用多变量和化学计量学方法对这些性状进行综合评估显得尤为重要。传统分析方法常常难以揭示酚类化合物、脂肪酸组成与氧化稳定性之间的复杂相互作用。因此，多变量分析和基于人工神经网络（ANN）的建模等综合方法，为优化品种选择以符合营养价值和油品质提供了强有力的工具。在本研究中，对22种橄榄栽培品种在统一的农业生态条件下进行了评估，指标包括果实重量（2.15 - 6.55 克）、油含量（16.23 - 30.92 %）、总酚含量（125.00 - 284.83 毫克 CAE/公斤）及抗氧化活性。主要脂肪酸包括油酸（67.20 - 77.50 %）、棕榈酸（9.20 - 15.55 %）和亚油酸（7.20 - 13.50 %）。在不饱和脂肪酸/饱和脂肪酸比值（4.36 - 8.00）及过氧化值和游离脂肪酸含量等氧化稳定性指标上观察到显著的基因型差异。主成分分析显示，前两个主成分解释了总方差的60.68 %，主要受油酸、总酚含量和油含量的驱动。层次聚类分析（HCA）将品种分为四个主要簇，每个簇具有不同的成分特征，而相关矩阵分析（CMA）显示油酸与总酚含量之间存在强正相关（r = 0.88）。多元回归分析（MRA）进一步确定油酸和游离脂肪酸是总体油质的重要预测因子（p ≤ 0.01）。同时，基于10个输入特征的人工神经网络（ANN）模型在验证过程中实现了92.3%的预测准确率，R²为0.91，均方误差（MSE）为0.024。值得注意的是，'Savrani'、'Memecik'、'Memeli'、'Halhalı'和'Ayvalık'等品种表现出优越的特性，具有高油酸、高酚含量和良好的不饱和指数。化学计量学技术与基于人工神经网络（ANN）的建模结合，为阐明性状之间的相互关系和预测橄榄油质量提供了全面的框架。研究强调了关键生化标志物和成分性状，作为营养价值和抗氧化稳定性的可靠预测指标。优良品种的识别支持基于证据的高附加值橄榄油生产选择策略，提升健康效益。这些发现不仅有助于精准育种和功能性食品开发，也应对了公众日益关注的膳食脂肪质量问题。
-
食品制造业质量与安全控制系统中的工业4.0技术：关于收益与障碍的系统性技术-管理分析
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Ayse Selcen Semercioz-Oduncuoglu & Pieternel A. Luning
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 深度学习 分类/鉴别/等级评定背景：食品行业面临着对提高质量和安全性的日益增长的需求，而传统的质量控制方法仍然劳动密集、速度缓慢且存在局限性。工业4.0（I4.0）技术展现出了潜力，但在现实世界中的应用仍然有限。推进实践需要清晰了解技术层面和管理层面的益处与障碍。
范围：本综述考察了工业4.0技术及其在食品制造业质量和安全体系中的应用现状，以及它们在产品或过程质量控制中，以及在质量控制循环要素（数据收集与分析、纠正措施和预防措施）中的适用性。随后，采用技术-管理方法对所综述研究中提到的这些技术的益处和障碍进行了分类。
主要发现和结论：在综述的研究中，人工智能（AI）主要用于产品质量控制，而物联网则支持过程质量控制。数据分析是质量循环中涉及最多的要素，人工智能具有最大的潜力。所报告的益处主要是技术层面的，重点在于污染检测和实时质量监测。管理层面的益处虽然较少被强调，但包括成本效益、更好的食品安全和危机管理以及战略改进。主要的技术层面障碍与过程和设备相关，特别是需要高质量的数据以及针对大型或复杂数据集进行耗时的人工智能模型训练。此外，由于过拟合、错误分类等问题，可靠且准确的性能仍然可能是一个障碍。管理层面的障碍大多与人员相关，包括手动标签错误和安全问题。多学科方法对于克服这些障碍和促进实地应用至关重要。
