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
-
运动恢复结构-卷积神经网络模型(SfM-CNN)实现了用于饮食回顾的准确便携式中国饮食化学成分估算
查看原文2025
Food Chemistry
中科院一区JCR一区Peihua Ma, Hsuan Chih Hong, Xiaoxue Jia, Cheng Jan Chi, Ning Xiao, Bei Fan, Fengzhong Wang & Cheng-I Wei
食品标签
营养与生物功能 理化与结构表征 碳水化合物与糖类计算机标签
卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据准确估算膳食摄入的化学成分对于健康和营养管理至关重要,尤其是在中国这样烹饪多样性复杂的地区。本研究介绍了一种新颖的人工智能驱动解决方案,该方案采用运动恢复结构-卷积神经网络(SfM-CNN)模型来自动分析中餐的化学成分。通过将先进的三维重建技术与深度学习(特别是尺度不变特征变换(SIFT)算法)相结合,我们实现了卓越的特征提取和食物体积估算,误差低于4%。我们的模型在新开发的ChineseDish-100数据集上进行了训练,结果显示,使用SIFT-ResNet50架构估算碳水化合物含量时,决定系数(R²)达到0.949。通过可视化,该模型的可解释性得到增强,这有助于参数优化和可靠的化学成分估算。这些结果凸显了人工智能驱动的模型在提供高效、准确且具有文化相关性的膳食分析工具方面的潜力,标志着在文化多样性地区的营养科学、食品化学和公共卫生举措方面取得了重大进展。
-
基于近红外与傅里叶变换红外特征变量预测不同制备方法下天麻关键挥发性有机化合物及风味强度识别
查看原文2025
Food Research International
中科院一区JCR一区Yingfeng Zhong, Jieqing Li, Honggao Liu & Yuanzhong Wang
食品标签
其他根茎类 加工与新加工技术 理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据为快速分析天麻采收后的风味品质,本研究结合近红外光谱、傅里叶变换红外光谱和顶空固相微萃取-气相色谱-质谱技术,构建了112个偏最小二乘回归模型,用于预测不同制备样品中的关键挥发性有机化合物并分析其特征波数。结果表明,酒制处理对其独特风味至关重要。近红外和傅里叶变换红外光谱策略均能准确预测关键挥发性有机化合物,其最优模型的决定系数超过0.9,残差预测偏差超过3.9。两种策略筛选出的特征波段不仅能用于预测其他重要的挥发性有机化合物,还能有效区分高风味强度的酒制天麻与其他方法处理的样品。验证集准确率分别为100%和83.33%。本研究为优化天麻的加工方法提供了理论基础和技术支持。
-
机器学习驱动的食品加工创新:应用、挑战与未来发展的系统综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Jilong Gao, Shaojin Wang, Ferruh Erdogdu, Francesco Marra, Fabrizio Sarghini & Long Chen
食品标签
加工与新加工技术 干燥保藏 过程监测与在线检测 过程优化与控制策略计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 小规模数据集背景:食品加工受到多种因素(如物料特性和加工参数)的影响,这使得其分析具有复杂性。传统方法(实验或数学/机理模型)存在局限性,例如成本高、外推误差大以及建模受限等。机器学习(ML)作为一种数据驱动的方法,具备强大的非线性拟合能力,能够整合多因素相互作用以实现工艺优化,从而降低能耗、提高产品质量和经济效益。因此,机器学习在食品加工领域展现出了潜力。
范围与方法:首先,介绍了食品加工中常用机器学习算法的优缺点,以帮助研究人员选择最合适的算法。其次,总结和分析了机器学习在食品检测、干燥和发酵中的应用,以及存在的挑战和相应的解决方案。此外,还提出了机器学习在食品加工领域的前瞻性策略。
主要发现与结论:机器学习在食品加工领域取得了显著进展,其应用涵盖检测、干燥和发酵等方面,所涉及的算法从无监督/有监督学习到深度学习不等。当前研究显示出了不同的局限性,例如小样本带来的过拟合风险、模型的可解释性局限,以及由于食品加工的特殊性导致的数据获取困难等。为了构建高质量的机器学习模型,必须针对特定的加工过程对数据集和算法进行优化。为促进机器学习在食品加工领域未来的应用,提出了以下方向:开发小样本算法、将机理模型与机器学习相结合以增强物理可解释性,以及建立全球大数据平台,推动高效、智能且可持续的食品加工发展。 -
全自供电可视化液滴传感系统助力高效液体分析
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Li Su, Jiacheng Liu, Yilong Yang, Ming Sun, Shuangyang Kuang & Yong Zhao
食品标签
食品安全与风险评估计算机标签
智能手机/其他 分类/鉴别/等级评定 时序传感器/物联网数据智能传感系统中的液体识别与分析仍面临重大挑战,这是因为传统方法依赖外部电源,在可扩展性和长期原位监测方面存在局限。本研究首次通过将交流电致发光(ACEL)组件与摩擦电能量收集技术相结合,开发出全自供能可视化液滴传感系统(FSP-VDSS),实现了自主液体分析。旋转式摩擦电纳米发电机(r-TENG)通过收集机械能为整个监测系统供电。该系统采用低功耗微控制器(MCUs;传感器微控制器A与显示微控制器B)通过神经网络处理共面电极交流电致发光液滴传感器(CE-ACEL-DS)上由液体触发的交流电致发光信号模式,并将处理结果无线传输至三层交流电致发光阵列显示面板(TL-ACEL-ADP)进行可视化呈现。该FSP-VDSS系统展现出卓越的性能指标,包括高分辨率(约1.5毫米)和高信噪比(20:1)。54分贝),并具备快速检测能力(约2秒),对14种常见液体的分类准确率达94.4%,对7种不同浓度盐水的识别准确率达95.5%。本研究提出了一种创新的全自供能可视化监测平台,通过协同整合高精度液体检测与多功能可扩展性,在食品安全评估、医疗诊断和药物筛选等多元化应用领域展现出卓越潜力。
-
利用MALDI-TOF多发性硬化症与人工智能集成,直接检测和区分哈维维菌类群,实现有效疫情管理
查看原文2025
Food Chemistry
中科院一区JCR一区Eiseul Kim, Dabin Kim, Yinhua Cai, Seung-Min Yang, Jaewook Kim & Hae-Yeong Kim
食品标签
其他肉与水产品 微生物安全 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据准确识别哈维维弧菌类群对海产品安全和水产养殖病害控制至关重要。然而,现有方法显示出分类性能有限。本研究采用了人工智能辅助的基质辅助激光脱附电离-飞行时间质谱(MALDI–TOF MS)方法,利用板上蛋白提取进行直接菌落分析。在六个评估算法中,随机森林模型实现了完美准确率,显著优于仅有79.57%的商业数据库准确率。主成分分析显示,使用模型选择的前10%特征时,物种分离效果有所改善。接收机的工作特征和精度回忆曲线进一步确认了模型的鲁棒性和可推广性。关键质量峰值7194.7、3609.8和9179.6 m/z被识别为主要的区分特征。该方法为哈维伊拟氏菌分类群物种提供了快速、数据库无关的解决方案,提升了MALDI–TOF多样质谱在食品安全中的实用性,并支持其在常规质量控制中的应用。究方法是开发基于Eu/Ce-MOFs的比例荧光传感器。在AI与数字化方面,系统利用智能手机成像获取比色或荧光变化,并通过集成的机器学习算法对荧光比率信号进行处理和建模,实现了对多种四环素的定量预测。