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
-
利用低成本机器视觉系统快速实时检测红茶揉捻质量
查看原文2025
Food Research International
中科院一区JCR一区Shuai Shen, Ning Ren, Hang Zheng, Xianglei Xue, Yunxiang Ye, Tian Liu, Qiusheng Zhang & Guohong Yu
食品标签
茶/茶饮料 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
支持向量机 卷积神经网络 定量预测/回归分析揉捻是红茶制造中的关键步骤,通过揉捻机实现茶叶的破碎、撕裂和卷曲。目前,红茶揉捻质量智能检测的缺乏限制了红茶产业自动化的发展。本研究基于机器视觉技术和化学计量学方法,建立了用于检测红茶揉捻质量的定性和定量预测模型。采用高效液相色谱法(HPLC)定量测定儿茶素和茶黄素(TFs)的含量。构建了基于动态学习率的DarkNet-53卷积神经网络(DarkNet-53 CNN)定性判别模型用于评估揉捻时间,并开发了基于改进麻雀搜索算法优化支持向量回归(ISSA-SVR)的定量预测模型,用于预测红茶揉捻过程中的茶黄素含量。结果表明,与其他模型相比,本研究中提出的DarkNet-53 CNN模型在揉捻时间的判别上表现优异,总体准确率达到97.82%。ISSA-SVR模型在预测性能上显示出显著优势,Rp值超过0.9,RPD值超过7.5。因此,本研究首次引入了一种低成本、可靠的红茶揉捻质量快速检测方法。
-
比色和荧光探针配合智能手机应用监测鱼类新鲜度
查看原文2025
Food Chemistry
中科院一区JCR一区Xiaofei Sun, Xin Jiang, Xinyi Zhao, Zengdong Wang, Jie Yuan, Yang Li, Xuepeng Li, Jianrong Li, Lijun Tang & Keli Zhong
食品标签
鱼肉 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
分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据本研究合成了一种基于吩噻嗪的新型“关-开”型荧光探针MPZ,化学名称为(E)-5-((10-乙基-2-甲氧基-10H-吩噻嗪-3-基)亚甲基)噻唑烷-2,4-二酮。该探针可通过去质子化作用,在7秒内快速检出生物胺,兼具比色与荧光双通道检测特性。研究自主开发了一款用于鱼类新鲜度可视化便携检测的应用软件——“Visual Evaluation”。该软件集成图像采集、红绿蓝(RGB)数值可编辑扫描、数据分析拟合、数据存储及结果验证等多项功能。更为重要的是,由该应用软件与负载MPZ的滤纸标签(MPZ/FPS)构成的智能检测平台,可对三文鱼中的挥发性盐基氮总量进行定量检测,且经中国国家标准方法验证,具备良好的检测准确度与可靠性。该智能检测平台有望为便携式可视化检测领域提供新思路,同时也可为商户及监管部门提供一种无需仪器、可智能读数的三文鱼新鲜度评估新工具。
-
台式近红外光谱技术结合机器学习用于红美人柑橘的多任务分析:产地鉴别与抗氧化成分定量
查看原文2025
Food Chemistry
中科院一区JCR一区Tao Jiang, Jianjun Ding, Shaofeng Yuan, Yuliang Cheng, Yahui Guo, Hang Yu & Weirong Yao
食品标签
新鲜水果 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据由于“红美人”柑橘具有地理标志优势,出于经济动机的产地欺诈现象应运而生,同时其抗氧化成分也存在显著差异。本研究采用台式可见-近红外(Vis-NIR)光谱技术结合机器学习模型,对“红美人”柑橘的产地进行鉴别,并对其抗氧化成分进行定量分析。其中,Savitzky-Golay预处理方法分别在分类模型和回归模型中提升了性能,面积归一化预处理方法也有同样效果。随后,Boruta算法特征选择进一步提高了模型的回归和分类性能。在这些模型中,前馈神经网络模型在产地分类方面达到了最高的准确率(88.7%),每个产地的误分类样本较少(1-2个),且具有优异的AUC值(0.943)。在定量分析方面,该模型在抗坏血酸(R²=0.875)、总酚(R²=0.856)和总黄酮(R²=0.806)的定量分析中也表现出最佳的回归效果。因此,台式可见-近红外光谱技术为水果的同时质量评估和产地真实性鉴别提供了一种实用且高效的多任务分析方法。
-
基于GC-MS与化学分析探讨雨天采摘对武夷岩茶香气特征的影响
查看原文2025
Food Chemistry: X
中科院一区JCR一区Zhengwei Luo, Qi Zhang, Yiwei Yang, Chuankui Song, Jilai Cui & Ting Gao
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 风味组学计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据武夷岩茶(WRT)是一种优质乌龙茶,由于加工过程中的环境影响,其香气特征会随天气变化而不同。本研究采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)技术,对晴天和雨天条件下生产的武夷岩茶中的挥发性有机化合物(VOCs)进行了研究。共鉴定出132种挥发性有机化合物,其中晴天样品中的挥发性有机化合物浓度显著更高。醇类、醛类和芳香族化合物是挥发性成分的主要组成部分。正交偏最小二乘判别分析(OPLS-DA)发现了15种关键鉴别物质(变量重要性投影值>1),包括香叶醇和芳樟醇,这些物质导致了香气的差异。通过气味活性值(OAV)排序,确定了13种香气活性化合物(气味活性值>1),其中β-紫罗兰酮(花香)和(E)-橙花叔醇(成熟果香)是武夷岩茶花果香特征的主要贡献者。雨天条件使关键挥发性物质减少40%-70%,这与感官记录的香气变淡和涩味增加相关。这些发现阐明了气候驱动的武夷岩茶香气形成过程中的代谢变化,强调了需要采用适应天气的加工策略来优化茶叶品质。
-
智能无创食品质量检测:借助人工智能提高准确性和效率
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Jingxiao Yu, Hongbin Pu & Da-Wen Sun
食品标签
食品安全与风险评估计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 过程控制与实时优化背景:随着现代食品工业和食品供应链的快速发展及日益复杂化,消费者对食品质量和安全提出了越来越高的要求。这一趋势正促使食品企业采用快速、高效且全面的监测系统,凸显了对快速可靠检测方法的迫切需求。尽管无损检测(NIT)技术能提供高效且非侵入性的评估,但人们对智能数据解读和自动化决策的需求不断增长。人工智能(AI)为提取有意义的模式提供了强大工具,可实现智能化、精准化和规模化的食品质量监测。AI与NIT的融合是一项关键进展,不仅能提高检测精度(如将校准误差降低10%-20%),还能提升检测效率(如在几分钟内完成食品质量与安全评估的快速筛查)。
范围与方法:提高检测结果的可靠性并扩大快速检测的规模,能有效提升NIT技术在食品生产和流通中的应用价值。因此,本综述旨在系统探究AI如何在食品质量与安全应用中辅助NIT,重点关注两个基本维度:准确性和效率。本综述涵盖了广泛的NIT技术和食品检测目标,围绕两个核心视角展开:(1)通过因素校准、数据增强、特征提取和模型优化来提高准确性;(2)通过自动化与机器人技术、便携式设备、高通量模式以及物联网和区块链来提升效率。通过总结这两个视角下的关键方法和进展,本综述提供了一个全面的框架和技术参考,以指导智能食品质量与安全评估领域未来的研究和实际应用。
主要发现与结论:综上所述,AI与NIT的融合显著提高了食品质量与安全评估的准确性和效率。当前的挑战主要包括可解释性有限、数据多样性不足以及工业部署滞后。短期内,预计在可解释和可迁移的AI模型、多源传感器数据融合以及用于实时监测的边缘AI方面会取得进展。从更长远来看,神经架构搜索、神经形态计算和量子机器学习等颠覆性技术有望带来变革性的进步。通过区分可行的短期发展与颠覆性的长期机遇,本综述为AI驱动的食品无损检测领域搭建科学创新与实际工业应用之间的桥梁提供了路线图。