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
-
机器学习增强的电化学传感器用于食品安全:应用与展望
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Wajeeha Pervaiz, Muhammad Hussnain Afzal, Niu Feng, Xuewen Peng & Yiping Chen
食品标签
食品安全与风险评估 微生物安全 化学污染物 包装与智能监测计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 时序传感器/物联网数据背景:食品安全是直接影响人类健康和福祉的全球性关键问题。电化学传感器因其灵敏度和选择性而在检测食品污染物方面引起了广泛关注;然而,传感器不稳定性和电极污染等问题限制了其有效性。将机器学习(ML)集成到电化学传感中提供了一种变革性方法,可增强传感器性能、稳定性和数据处理能力,同时实现实时监测。
范围与方法:本综述简要探讨了专门用于食品安全应用的ML增强型电化学传感器的使用。首先,讨论了适用于食品安全监测的电化学传感器技术的各种ML算法。随后,综述重点介绍了ML增强型传感器在检测食品相关污染物(如农药、药物残留、重金属、微生物、人工染料和酚类化合物)中的应用。最后,阐述了推进食品安全电化学传感器所面临的挑战和未来前景,强调了适当的ML算法在改善现场食品安全监测方面的潜力。
主要发现与结论:ML与电化学传感器的集成提高了其灵敏度、选择性和稳定性,解决了诸如电极污染等问题。支持向量机、人工神经网络和随机森林等ML算法能有效检测农药、重金属和微生物等食品污染物。ML还能实现实时数据处理,以便快速、准确地检测痕量污染物。然而,传感器校准、数据可靠性和对高质量训练数据集的需求等方面仍存在挑战。未来的研究应侧重于增强传感器的鲁棒性、优化ML模型以提高准确性,并推进用于食品安全监测的ML增强型传感器的商业化。 -
基于代谢组学与机器学习的武夷岩茶产地鉴别及"岩韵"物质研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Zheng Peng, Wenmiao Wu, Chengjian Wu, Zhijun Zhao, Jian Chen & Juan Zhang
食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 代谢组学计算机标签
随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据武夷岩茶的“岩韵”特质因产区不同而有所差异,但目前关于产区的科学分类标准以及对“岩韵”化学基础的全面认识仍较为有限。本研究结合代谢组学和机器学习,对137份武夷岩茶样本(正岩、半岩和外山产区)的挥发性代谢物谱进行了系统分析,并建立了一个高精度的随机森林模型(准确率达99%)用于产区鉴别。通过特征重要性分析,确定正岩产区的标志物为霍烯醇、二氢猕猴桃内酯、苯甲醇和反式橙花叔醇;半岩产区的标志物为霍烯醇、苯甲醇、反式橙花叔醇和庚醛;外山产区的标志物为癸酸甲酯、(Z)-4-庚烯醛和2,4-庚二烯醛。本研究创新性地开发了基于挥发性代谢物指纹的武夷岩茶产区认证系统,阐明了“岩韵”的关键化学基础,为地理标志保护和加工工艺优化提供了理论支持。
-
近红外光谱结合支持矢量机,利用波长选择算法鉴定鞑靼荞麦(Fagopyrum tataricum (L.)Gaertn)掺假
查看原文2025
Food Chemistry
中科院一区JCR一区Yue Yu, Yinghui Chai, Yujie Yan, Zhanming Li, Yue Huang, Lin Chen & Hao Dong
食品标签
杂粮 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 其他深度学习结构 分类/鉴别/等级评定 红外/拉曼光谱数据目前市场上苦荞粉掺兑杂粮粉的现象频发,亟需建立一种简便的检测分析方法以保障苦荞产品品质。本研究采用近红外光谱技术(NIRS),对掺入全麦粉、燕麦粉、大豆粉、大麦粉和高粱粉的苦荞样品进行光谱数据采集。运用竞争性自适应重加权采样算法(CARS)与连续投影算法(SPA)筛选特征波长;结合支持向量机(SVM)与偏最小二乘判别分析(PLS-DA)构建定性鉴别模型,用于识别苦荞粉掺假情况。偏最小二乘判别分析模型的预测准确率介于89.78%~94.22%之间,均值中心化(MC)-偏最小二乘判别分析模型预测准确率可达93.33%。值得注意的是,基于特征变量的自标度化-竞争性自适应重加权采样-交叉验证-支持向量机(Autoscales-CARS-CV-SVM)模型的鉴别准确率表现更优。研究结果表明,化学计量学方法具备良好应用潜力,可作为检测食品掺假的有效技术手段。
-
利用近红外光谱和机器学习算法快速筛查玉米中的伏马菌素
查看原文2025
Food Chemistry: X
中科院一区JCR一区Bruna Carbas, Pedro Sampaio, Silvia Cruz Barros, Andreia Freitas, Ana Sanches Silva & Carla Brites
食品标签
玉米 微生物安全 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据伏马毒素在玉米中的存在是一项重大的全球性挑战,影响着经济稳定和食品安全。本研究评估了近红外(NIR)光谱结合化学计量学算法检测玉米中伏马毒素的潜力。针对伏马毒素B1(FB1)和B2(FB2)的含量,利用偏最小二乘(PLS)和人工神经网络(ANN)建立了近红外预测模型。PLS模型在校正时表现出较强的相关系数(R²),其中FB1为0.90,FB2为0.98,FB1+FB2为0.91,预测偏差比(RPD)值在2.8–3.6之间。同样,ANN模型也显示出良好的预测性能,特别是对于FB1+FB2,校正时的相关系数(R)为0.99,均方根误差(RMSE)为131μg/kg;验证时的相关系数(R)为0.95,均方根误差(RMSE)为656μg/kg。
这些研究结果凸显了近红外光谱作为一种快速、非破坏性的玉米伏马毒素筛查工具的有效性,化学计量学算法提高了模型的准确性,为确保食品安全提供了一种有价值的方法。 -
人工智能与益生菌的协同作用:健康促进与工业创新中新应用的综合综述
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Xin Han, Qingqiu Liu, Yun Li, Meng Zhang, Kaiyang Liu, Lai-Yu Kwok, Heping Zhang & Wenyi Zhang
食品标签
营养与生物功能 肠道健康与微生物相关功能 益生菌菌株计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 设计/生成与推荐背景:益生菌在人类健康中发挥着至关重要的作用,引起了科学界和公众的极大兴趣。将人工智能(AI)整合到益生菌研究和应用中,有望彻底改变菌株发现、健康结果和食品行业的创新。
范围与方法:本综述探讨了人工智能与益生菌的交集,重点关注人工智能驱动的机器学习模型,这些模型正在彻底改变菌株筛选、生物标志物预测和代谢物分析。人工智能通过预测炎症性肠病和肠易激综合征等疾病的生物标志物,实现了早期诊断和个性化营养。它还识别关键的益生菌代谢物,如抗菌肽、胞外多糖和酚类化合物,从而推进发酵技术和益生菌功效。文中还讨论了包括数据质量、计算需求和实验验证在内的挑战。
主要发现与结论:人工智能优于传统方法,提供快速、高精度的筛选、可扩展的数据分析和自动化的菌株优化。案例研究表明,AI模型在细菌鉴定方面达到超过97%的准确率,并加速了代谢物的发现。然而,数据质量、计算成本和模型可解释性等挑战仍然存在。克服这些挑战将加强人工智能在精准营养、功能性食品开发和个性化医疗中的作用。本综述以未来展望作为结束,强调了人工智能彻底改变肠道微生物组研究和基于益生菌的治疗学的潜力。