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
特征风味 数值仿真 蛋白质与氨基酸计算机标签
图神经网络 模型可解释性 分类/鉴别/等级评定 组学数据 文本/知识库/法规数据理解调控甜味和苦味的分子机制,对于识别天然及合成化合物中理想的味觉特征至关重要。在本研究中,我们开发了基于图神经网络(GNN)的人工智能(AI)模型,用于根据化学结构预测苦味和甜味。图神经网络利用深度学习捕捉图中分子成分之间的关系,提取潜在的分子向量。与依赖预定义分子描述符的传统方法不同,图神经网络直接从分子结构中学习,减少了特征选择偏差。通过增强人工智能驱动预测的可解释性,图神经网络增进了人们对决策过程的理解。为了构建基于图神经网络的预测模型,我们收集了被分类为苦味或甜味的化合物数据集。我们的模型所达到的预测准确率与依赖分子描述符的传统机器学习和深度学习模型相当,甚至更高。为了增强模型的可解释性,我们采用了集成梯度法来可视化影响苦味或甜味预测的分子特征。这些可视化结果通过配体与味觉受体的分子对接模拟得到了进一步验证,模拟过程使用了AlphaFold蛋白质结构数据库。苦味评估使用的是TAS2R16,甜味评估使用的是TAS1R2。然后,我们将化学可视化结果与构象数据进行了比较,结果显示其与以往的实验和计算分析高度一致。这些发现验证了我们的人工智能模型的准确性和可视化结果,凸显了基于图神经网络的模型在味觉预测方面的潜力。这种方法为理解味觉感知背后的分子机制提供了一个新颖的框架。有必要进行更深入的研究,以更深入地探索这些机制,并将这种方法扩展到预测其他味觉模式。
-
新型pH敏感有机配体基发光MOFs修饰CMC-Na/SA薄膜用于水果新鲜度实时监测
查看原文2025
Food Packaging and Shelf Life
中科院一区JCR一区Zhepeng Zhang, Chen Wang, Heera Jayan, Mingjie Gao, Hesham R. El-Seedi, Xiaobo Zou & Zhiming Guo
食品标签
新鲜水果 生物基/可降解材料 探针与分析传感材料 货架期预测与品质劣变动力学 智能/指示型包装 包装系统中的监测与标签应用 理化与结构表征 常规理化指标测定 其他理化与结构表征计算机标签
智能手机/其他智能包装薄膜已被应用于食品新鲜度监测。然而,该技术方案存在诸多局限,包括包装材料综合性能受限、视觉响应准确度不足,进一步制约了其规模化推广应用。本文采用溶剂热法合成纳米金属有机框架(MOFs),表征分析其结构与形貌特征,并探究其光学性能。选用铕基金属有机框架作为荧光背景信号,将氨基、羟基功能化改性的铕基金属有机框架用作pH响应信号。随后,将金属有机框架纳米材料负载于羧甲基纤维素钠与海藻酸钠复合基质中,制备出二氧化碳响应型智能包装薄膜。将发光型金属有机框架复合到薄膜基质后,赋予了薄膜诸多优异性能,具备良好的疏水防水性、力学性能增强、热稳定性提升等优势。尤为突出的是,该金属有机框架复合薄膜具备更优异的紫外-可见光阻隔性能、指示剂抗迁移能力以及出色的时间-温度稳定性。最后,借助智能手机应用建立了显著的线性相关关系(决定系数分别为0.9829、0.9865),分别表征4℃贮藏条件下水仙芒果鲜切果的金属有机框架薄膜SRGB色彩值与理化指标(硬度、可溶性固形物含量)之间的关联。综上,基于智能手机的数字化传感平台为鲜切水果新鲜度的现场快速定量检测开辟了全新路径,对提升智能包装领域的检测精准度与便捷性具有重要研究价值。
-
高光谱成像与深度学习用于果蔬品质和安全检测:综述
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Chen Yang, Zhiming Guo, Douglas Fernandes Barbin, Zhiqiang Dai, Nicholas Watson, Megan Povey, & Xiaobo Zou
食品标签
新鲜蔬菜 食品安全与风险评估 品质、结构与理化性质 显微与成像技术计算机标签
深度学习 模型轻量化/边缘计算 定量预测/回归分析 高光谱/多光谱光谱果蔬品质检测与食品安全监测和质量控制密切相关。传统化学分析和物理测量技术虽然可靠,但耗时、成本高,并容易受到环境和样品变化影响。高光谱成像技术结合深度学习方法可有效克服这些问题。与人工评价相比,自动化检测可提高检测效率,降低主观误差,并促进果蔬品质检测智能化和精准化。本文综述了高光谱成像技术结合深度学习方法在果蔬品质评价多个方面的应用,重点总结其在果蔬安全、内部品质和外部品质检测中的最新进展,并展望该领域面临的挑战和未来发展方向。高光谱成像结合深度学习在果蔬质量检测中已显示出显著优势,尤其是在提升检测准确性和效率方面。未来研究应关注降低成本、优化设备、个性化特征提取和模型泛化能力,同时重视轻量化模型发展、准确率平衡、数据库建设和定量研究,以推动高光谱成像技术在果蔬检测中的广泛应用。
-
基于气相色谱-飞行时间质谱的咖啡和大蕉副产物粉代谢物表征及保留指数化学信息学预测
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Laura Sofía Torres-Valenzuela, Carolina Franco-Urbano, Diana Paola Navia-Porras, Nicole Sarmiento & Cristian Rojas
食品标签
其他果蔬制品/植物类 挤压膨化与共挤技术 其他品质相关性质 副产物与废弃物高值利用 光谱/色谱/质谱等分析方法 代谢组学 其他统计建模方法 咖啡因 其他特殊成分计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据 中等规模数据集本研究分析了由咖啡果皮、大蕉轴和废弃大蕉制成的复合粉(CF)中的化学代谢物,以及挤出加工引起的代谢物变化。通过HP-5ms毛细管柱的气相色谱-飞行时间质谱(GC-QTOF-MS)分析鉴定出72种代谢物。结果表明,挤出加工选择性改变了代谢物组成,部分抗营养化合物(咖啡因、脱氧葡萄糖和半乳糖胺)含量降低,从而提升了CF的营养和功能品质。基于265个分子的色谱数据集,开发了具有良好预测能力(Q2=0.945)的构象无关定量结构-保留关系(QSRR)模型,用于预测代谢物保留指数。该研究为农工副产物CF的代谢物分析和新代谢物色谱性质预测提供了方法,同时推进了咖啡和大蕉副产物的高值化利用。
-
基于荧光高光谱成像与深度学习的碰伤柑橘分类方法
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Ahyeong Lee, Insuck Baek, Jinse Kim, Suk-Ju Hong & Moon S. Kim
食品标签
新鲜水果 颜色与外观品质 显微与成像技术计算机标签
偏最小二乘法 支持向量机 梯度提升决策树 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱柑橘类水果在全球范围内被广泛消费,这类水果的擦伤会显著影响其品质,进而影响消费者的购买决策。在采后操作中检测此类损伤至关重要。然而,擦伤区域与正常区域相比,没有明显的颜色差异,这使得视觉检测变得复杂且耗时。因此,本研究探讨了荧光高光谱成像技术在识别擦伤柑橘方面的潜力。在一对365纳米紫外灯的照射下获取高光谱图像。研究采用了三种多元数据分析方法——决策树、支持向量机和偏最小二乘判别分析,以及三种深度学习模型——ResNet50、EfficientNetB0和MobileNet,对擦伤柑橘进行分类。在模型开发之前,进行了预处理步骤,包括暗校正和白校正、光谱预处理以及感兴趣区域(ROI)提取。通过模型训练确定分类准确率。在这些模型中,使用九幅主成分图像的ResNet50表现出较高的分类准确率:训练组为99.65%,验证组为100%,测试组为100%。GradCAM可视化进一步证实了在擦伤区域成功形成了热图。因此,利用荧光高光谱成像和深度学习对擦伤柑橘进行分类是可行的,这为自动化分选技术奠定了基础。