01 / 01

类目筛选(食品学者)

清除筛选
  • 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)

清除筛选
  • 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)

清除全部筛选
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 便携式智能手机辅助的Tb/Eu-MOF琼脂切片探针用于视觉检测氟喹诺酮

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Liwei Cui, Yiqian Zhang, Weifeng Chen, Jingyi Liu, Heli Zhang, Hongshuai Zhu, Jian Zou & Weidan Chang

    食品标签

    其他肉与水产品 化学污染物 光谱/色谱/质谱等分析方法 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 可见光/RGB/视频数据

    氟喹诺酮类(FQ)的广泛使用会导致食物残渣,这对人体健康构成重大风险。基于Tb/Eu-MOF纳米材料的便携式智能手机辅助检测平台已建立,用于检测FQs,其中enrofloxacin(ENR)作为代表性样本。合成了五个具有不同双金属比例的Tb/Eu-MOF,其中Tb/Eu-MOFs(3:1)作为最佳传感元件。Tb/Eu-MOF 纳米材料悬浮液因荧光共振能量转移与 ENR 发生了从橙红色变浅黄色的变化,达到 0.004 μM 的 LOD,宽线性范围为 0.005–25 μM。Tb/Eu-MOF被整合进琼脂切片中,并与智能手机结合检测以提高便携性。开发了基于智能手机的琼脂切片平台,线性范围为5–150微米,LOD为4.7微米。该检测平台为FQs检测提供了创新、低成本且便携的方法。

  • 基于合成数据与深度神经网络助力植物基改性稠饮感官感知属性预测

    2025
    Food Hydrocolloids
    中科院一区
    JCR一区
    查看原文

    Mustafa Tahsin Yilmaz, Abdulaziz S. Alkabaa, Furkan Turker Saricaoglu, Ahmad H. Milyani , Osman Gul, Mahmut Ekrem Parlak & Wael S. Hassanein

    食品标签

    果蔬饮料 昆虫蛋白 碳水化合物配料 质构与流变性质 感官评价与方法学 常规理化指标测定 质构与流变测试

    计算机标签

    深度学习 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主

    本研究开创性地融合了合成数据生成与深度学习技术,旨在预测经亲水胶体及新型蛋白质改性的植物基食品模型的感官特性。通过整合流变学、口腔摩擦学、表面活性参数及人体解剖学参数,我们构建了基于文献知识的综合数据集,模拟了十种分别添加真菌多糖或昆虫蛋白的系统性改性稠饮配方的人类感官评价数据。通过训练多层感知机回归模型,实现了对十种食品质构感官属性的精准预测(测试集R²=0.91)。研究结果表明,真菌多糖主导剪切稀化与拉伸阻力特性,而昆虫蛋白则显著增强体系整体活性与表面活性。该模型不仅习得了感官-流变学的复杂交互关系,更通过迁移学习在未知条件下展现了预测建模能力。本框架为传统感官科学提供了概念验证型补充工具,通过构建可模拟消费者响应的规模化预测平台,为智能食品设计、成分筛选及新型食品配方开发开辟了新路径。

  • 使用卷积神经网络和梯度加权类激活映射的拉曼光谱技术用于常见苹果农药混合物的多标签识别

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Salvador Castillo-Girones, Quentin Armould, Juan Gómez-Sanchis, Jose Blasco, Olivier Pigeon, Vincent Baeten & Juan Antonio Fernández Pierna

    食品标签

    新鲜水果 化学污染物 光谱/色谱/质谱等分析方法

    计算机标签

    偏最小二乘法 卷积神经网络 缺陷/异物检测与定位 红外/拉曼光谱数据

    市场上的水果必须不含对人体有害的农药,但残留物往往持续存在,对公众健康构成风险。高效检测这些残留物至关重要。然而,传统方法速度慢且缺乏实时能力。此外,当农药以混合物形式使用时,检测挑战变得更加困难,而拉曼光谱为识别农药残留提供了一种有前景的实时解决方案。本研究通过拉曼光谱和多标签分类方法,调查了苹果上常用农药活性化合物在复杂混合物中的检测,解决了识别复杂混合物中活性化合物的难题。模型也在独立的、完全不同的混合物上进行了测试,以评估其局限性和鲁棒性。
    为纯活性化合物建立了独特的光谱指纹,从而能够在混合物分析中进行区分。降维技术(t-SNE和PCA)有效地区分了纯化合物和混合物。训练了三种机器学习模型:偏最小二乘法(PLS)、支持向量机(SVM)和一维卷积神经网络(1-D CNN)来识别混合物中的活性化合物。所有模型对关键化合物都给出了较高的F1分数,其中克菌丹的F1分数高于99%,但某些化合物(如灭菌丹或代森锰锌)的预测结果较差。一维卷积神经网络以最低的汉明损失取得了最佳性能,Grad-CAM分析证实其识别了相关的光谱区域。这项工作证明了机器学习增强的拉曼光谱在有效农药监测、法规遵从和食品安全方面的潜力。

  • 面向痕量分子检测的人工智能集成三维混合SERS传感器

    2025
    Chemical Engineering Journal
    中科院一区
    JCR一区
    查看原文

    Petchi Raman Mariappan, Nazar Riswana Barveen, Chih-Yu Kuo & Yu-Wei Cheng

    食品标签

    新鲜水果 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他特殊成分

    计算机标签

    智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据

    三维纳米工程化表面增强拉曼散射(SERS)基底的开发已成为实现超灵敏高选择性分子检测的重要策略。本研究采用化学氧化聚合法合成聚吡咯(PPy)纳米球,通过原位修饰金纳米颗粒(AuNPs),继而利用真空抽滤技术将三维PPy@Au SERS材料集成至柔性聚偏氟乙烯(PVDF)膜中。该方法促进了高密度等离子体网络的形成,增强了局域表面等离子体共振(LSPR)效应,并能够产生多模态热点以优化表面增强拉曼散射(SERS)性能。通过将聚吡咯(PPy)作为功能材料与金纳米颗粒(AuNPs)结合,该混合平台利用电磁增强与化学增强的协同机制,同时优化了检测灵敏度和分子特异性。该基底实现了约10的增强因子(EF),可进行高重现性的痕量分子检测。该系统展现出对福美双10 M的超低检测限(LOD),并通过水果表面的实际测试验证。为进一步提升检测精度并实现光谱分类自动化,本研究开发了用于SERS光谱分析的人工神经网络(ANN)模型。经过训练的ANN模型展现出100%的分类准确率,能有效区分福美双残留物与亚甲基蓝(MB)、酸性橙(AO)、靛蓝胭脂红(IC)及罗丹明B(RB)等有机污染物的光谱特征,凸显其在实际传感场景中的强健预测能力。本研究提出了一种可扩展的三维SERS传感平台,通过将等离子体纳米工程与人工智能(AI)驱动分析相结合,实现了实时无损的分子检测。这种AI融合策略增强了系统的适应性,使其成为食品安全、环境监测及生物医学应用领域的新一代工具。

  • 机器学习基于三功能锰掺杂共价有机聚合物纳米酶,智能选择特征值来构建传感器阵列,以识别黄酮类化合物

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Guo-Qi Zhang, Wen-Cai Jiang, Xiao-Mei Li, Ren-Jie Li, Yi Feng, Ri-Ge Li Nai, Hui-Lin Cheng, Zhi-Bo Hou, Xiao-Jun Luo & Yan Zhao

    食品标签

    其他添加剂与配料 多酚与黄酮

    计算机标签

    随机森林 分类/鉴别/等级评定

    在此,我们合成了一种新型三功能锰掺杂共价有机聚合物纳米酶(Mn-COP),它具有类过氧化物酶、类氧化酶和类漆酶活性。黄酮类化合物的强还原能力会抑制Mn-COP的三种类酶活性,且这种抑制趋势会随着反应时间的延长而增强。由于该传感器阵列采用三种不同的化学反应作为识别通道,Mn-COP提高了其准确性。为了评估反应时间在优化特征值方面的重要性,我们采用了随机森林算法(RF)。该纳米酶传感器阵列能够有效区分各种黄酮类化合物。通过结合随机森林算法,实现了对多种中药中浓度范围为10–500μM的7种黄酮类化合物的准确识别和预测。总体而言,本研究的一个关键创新点在于引入了一种更科学、更智能的特征值选择方法,从而为复杂纳米酶传感器阵列的发展开辟了一条前景广阔的道路。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号