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 393 条结果
-
食品智能干燥中的AI技术:研究与应用综述
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Zhe Wang, Min Zhang, Arun S. Mujumdar, Jiacong Lin & Dongxing Yu
食品标签
干燥保藏 能耗/水耗与环境影响分析 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 过程控制与实时优化 可见光/RGB/视频数据 高光谱/多光谱光谱人工智能(AI)与传感器技术将成为未来食品加工行业智能化研究的重点。AI与传感器技术在食品干燥行业的融合,有助于可视化高度非线性、复杂且动态变化的食品干燥过程,从而深入理解干燥动力学并指导干燥工艺优化。本文系统综述了各类AI技术在食品干燥中的应用,阐述了多种先进AI与传感器(电子鼻、计算机视觉、高光谱成像等)结合用于食品干燥过程实时监测的潜在应用与局限。此外,根据不同食品干燥过程的特点,总结了适用的AI技术及相关传感技术。最后,探讨了AI结合5G与物联网技术用于食品干燥在线实时监测的应用与前景,旨在为该领域提供新的研究方向。针对不同的干燥方法与食品原料,结合适当的AI技术与传感技术,可以实时处理大量特征数据,显著减少计算时间并提高预测精度,优化工艺参数,提升干燥食品品质,并最大程度节约能源。AI与传感技术在食品干燥在线实时监测方面具有广阔前景。
-
基于增强氧化酶活性的煅烧PPy@CuNi-ZIF-67纳米酶,通过智能手机辅助传感器快速视觉检测蔬菜中的谷胱甘肽,并区分多种含硫化合物
查看原文2025
Food Chemistry
中科院一区JCR一区Linchun Nie, Jiazhi Xia, Jiawei Liao, Na Liu, Meiling Xu, Dejing Meng, Wenjing Liu, Qingxiang Zhou & Chunmao Chen
食品标签
新鲜蔬菜计算机标签
主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据聚吡咯@铜镍掺杂沸石咪唑酯骨架材料-67(PPy@CuNi-ZIF-67)具有高效的类氧化酶活性,可在4分钟内将无色的3,3',5,5'-四甲基联苯胺(TMB)高效氧化为蓝色的氧化态四甲基联苯胺(oxTMB)。谷胱甘肽(GSH)及含硫化合物能够抑制其类氧化酶活性。基于该原理,结合智能手机构建了一种高效、灵敏且可可视化检测谷胱甘肽的比色检测方法,该方法在0.83~13.33微摩尔的浓度范围内具有良好的线性关系。此外,以三种显色底物构建了一种新型阵列传感器,结合主成分分析与层次聚类分析,可快速区分五种含硫化合物;经验证,该阵列传感器在浓度低至8.3微摩尔时,仍可借助主成分分析和层次聚类分析实现对五种含硫化合物的快速区分。
-
基于智能手机的数字图像中的文献计量研究与潜在应用:2013年至2024年的视角
查看原文2025
Food Chemistry
中科院一区JCR一区Marcela de Souza Zanginolami, Patrícia Valderrama & Oscar Oliveira Santana
食品标签
品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据本文首次提出了关于基于智能手机的数字图像在食品矩阵应用的文献计量学综述,专门使用R语言中的Bibliometrix软件包进行。尽管已有相关综述,但这是首次采用基于文献计量方法的定量方法,分析了2013年至2024年间发表并在Web of Science中发现的125篇文章。检索到的作品由431名研究人员撰写,发表在33个国家的38种期刊上,年增长率为45.92%。结果显示,大量文章聚焦于掺假检测和物质定量,且以实用、经济且易于获取的方式进行。超过60%的研究未使用化疗工具。在采用这些研究的中,最常用的包括偏最小二乘回归(PLS)、主成分分析(PCA)、层级聚类分析(HCA)和多重线性回归(MLR)。
-
赋能知情选择:计算机视觉如何帮助消费者做出肉类质量决策
查看原文2025
Meat Science
中科院一区JCR一区Guilherme L. Menezes, Dante T. Valente Junior, Rafael E.P. Ferreira, Dario A.B. Oliveira, Julcimara A. Araujo, Marcio Duarte & Joao R.R. Dorea
食品标签
畜肉 质构与流变性质 颜色与外观品质 其他品质相关性质 消费者偏好与接受度 过程监测与在线检测 显微与成像技术计算机标签
其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 大规模数据集消费者常常发现评估肉类感官质量具有挑战性,这受到嫩度和肌内脂肪的影响。本研究旨在开发一种使用智能手机图像的计算机视觉系统,用于对牛肉和猪肉排的嫩度进行分类(1),预测剪切力和肌内脂肪含量(2),并对消费者评估与该方法输出进行比较评价(3)。数据集包括924块牛肉和514块猪肉排(每块一张图像)。我们训练了用于图像分类和回归的深度神经网络。模型在将牛肉分类为嫩肉时F1分数达到68.1%。将数据集重新分类为“嫩”和“硬”后,识别嫩肉的F1分数提高到76.6%。对于猪腰肉嫩度,模型F1分数达到81.4%,重新分为两类后略微提高到81.5%。预测牛肉剪切力和肌内脂肪的回归模型R²值分别为0.64和0.62,均方根预测误差分别为16.9 N和2.6%。对于猪腰肉,神经网络预测剪切力的R²值为0.76,RMSEP为9.15 N;预测肌内脂肪的R²值为0.54,RMSEP为1.22%。在1000次配对比较中,神经网络正确识别更嫩牛肉的比例为76.5%,而人类评估的准确率为46.7%。这些发现表明,CVS可以提供一种更客观的方法在购买前评估肉类嫩度和肌内脂肪,可能提高消费者满意度。
-
供应链中智能海鲜安全领域的人工智能:最新进展与未来展望
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xidong Jiao, Jinlin Zhu, Weijian Ye, Hao Zou, Bowen Yan, Nana Zhang, Jun Qiang, Yifan Tao, Hao Zhang, Dachuan Zhang & Daming Fan
食品标签
肉类/蛋类与水产品 食品安全与风险评估 智能/指示型包装 包装系统中的监测与标签应用 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
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 可见光/RGB/视频数据 时序传感器/物联网数据 多模态/融合数据背景:水生蓝色食品对全球粮食安全和营养至关重要,但该行业面临着来自食品安全、供应链复杂性和可持续性问题日益严峻的挑战。在 海鲜供应链中整合人工智能(AI)技术,为提高检测准确性、确保安全性、提升效率和促进可持续发展提供了变革性的机遇。
范围与方法:本综述系统总结了在人工智能支持的智能安全监测和加工策略方面的最新进展,这些策略涵盖了从水产养殖生产到收获后处理及零售的整个水生食品链。重点发展体现在四个主要领域:(i)用于有效供应和增强海鲜韧性的智能水产养殖系统;(ii)利用智能包装、传感器和计算机视觉技术的人工智能驱动的海鲜新鲜度监测;(iii)鱼类产品的自动化预处理,包括物种分类、形态计量估计和智能切割系统;(iv)人工智能引导的海鲜掺假检测,如物种替代、原产地误标和冻融欺诈。最后,我们讨论了当前的挑战,并对推进用于海鲜安全检测和可追溯性的人工智能驱动系统提出了展望。
主要发现与结论:人工智能是确保水产品有效供应和维护食品安全的关键手段。它在无损传感、多维数据处理和实时决策支持方面展现出了卓越的能力。尽管取得了显著进展,但模型泛化性、数据集标准化以及可现场部署的智能系统的开发等挑战仍然亟待解决。未来的研究方向包括将人工智能与新型传感器平台整合、开发强大的多模态数据融合技术,以及改进预测模型,以实现具有韧性和可持续性的水生食品供应链。