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 167 条结果
-
构建一个深度学习辅助的智能手机应用,用于烹饪过程中牛排熟度的智能识别
查看原文2026
Meat Science
中科院一区JCR一区Han Wang, Yuandong Lin, & Jun-Hu Cheng
食品标签
畜肉 质构与流变性质 传统热加工 显微与成像技术 常规理化指标测定计算机标签
卷积神经网络 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集在烹饪过程中识别牛排的熟度对消费者来说具有挑战性。本研究构建了一个基于深度学习的烹饪过程中非破坏性牛排熟度评估框架。此外,整合了理化特性以确保熟度处理方法和数据库的可靠性,从而提高模型的准确性和说服力。在此基础上,创建了包括1803张图像和153个样本的理化特性的可靠数据库。这些数据库分别来自601块和51块不同的牛排。在比较了涵盖线性模型、机器学习模型和深度学习模型的8个模型后,发现DenseNet121(一种卷积神经网络CNN模型)是最佳模型,其识别准确率为95.30 ± 1.48%。随后,梯度加权类激活映射(Grad-CAM)及其他可视化方法证实了该模型的可行性和原理。最后,开发了一个面向移动端优化的边缘计算定制应用,以展示所提出模型的实时性能,该模型达到了91.93%的准确率。这些结果证明了卷积神经网络(CNN)模型在预测牛排熟度方面的可靠性,并为智能烹饪设备提供了理论基础。
-
新兴技术在加工肉制品中多环芳烃和杂环胺检测、分析、监测与控制中的应用
查看原文2026
Food Control
中科院一区JCR一区Samuel Ayofemi Olalekan Adeyeye, & Blessing Rachael Adeyeye
食品标签
畜肉 食品安全与风险评估 品质、结构与理化性质 标准/法规/数据库分析计算机标签
深度学习 定量预测/回归分析 文本/知识库/法规数据 中等规模数据集新兴技术和创新方法正在革新加工肉制品中多环芳烃和杂环胺的检测、分析、监测与控制,以提升食品安全并满足法规标准。本文旨在评估用于加工肉中 PAHs 和 HCAs 检测、分析、监测和控制的新兴技术,重点说明其在改善食品安全、分析精度、风险缓解和法规合规方面的有效性。研究遵循 PRISMA 指导的系统综述方法,从 Scopus、Web of Science、PubMed 和 Google Scholar 检索 2005-2025 年文献,关键词涉及 PAHs、HCAs 和新兴技术。在识别的 238 条记录中,筛选后纳入 96 项研究。纳入标准覆盖关于 PAHs/HCAs 制备、检测和控制的同行评议研究,排除重复文献、非英文论文、摘要以及方法学不清晰的研究。主要发现表明,欧姆加热、红外烹调和低温慢煮等新兴加工技术可通过减少直接火焰暴露有效降低 PAHs 形成。乳酸菌、植物提取物和抗氧化剂等生物基干预措施可进一步抑制或降解 PAHs 和 HCAs。先进包装材料可作为吸附剂,而固相微萃取、分散液液微萃取和 QuEChERS 等分析创新可提高检测灵敏度。人工神经网络等计算工具支持污染物形成的预测建模。未来应聚焦智能加工、预测分析和绿色去污染策略的集成,以实现实时控制。总体而言,创新加工、监测和缓解方法相结合,可为提升加工肉制品系统安全和质量提供可持续路径。
-
肉类工业5.0--肉类加工行业中技术方法和机器人系统的综述
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Chiara André-Zarna, Katharina Simmen, Karl Helge Albretsen, Per Berg, & Eirik B. Njaastad
食品标签
畜肉 加工与新加工技术 过程控制与数字化计算机标签
机器学习/统计学习 分类/鉴别/等级评定背景:肉类加工行业正在经历重大的技术变革,自动化和机器人化日益成为对传统人工劳动的补充。人工智能(AI)、机器人技术和人机协作--工业5.0的核心要素--在这一转变中起着中心作用。这些技术的采用旨在应对长期存在的劳动力短缺问题,而疫情等事件加剧了这一问题,并满足对更安全、更可持续、更具韧性的食品生产系统日益增长的需求。范围与方法:尽管进展不断,但关于二次肉类加工自动化技术的综合概览,尤其是在工业5.0背景下,仍然缺乏。本综述通过审查最新的技术发展、识别当前行业需求并概述主要研究挑战来填补这一空白。重点是对全球按消费量计算最常食用的肉类进行二次加工:禽肉、猪肉、牛肉和小牛肉。主要发现和结论:新兴技术显示出在提高生产力、食品安全和工作条件方面的强大潜力。然而,采用这些技术仍存在主要障碍,包括高昂的整合成本、严格的食品安全合规要求,以及需要能够适应原材料差异的灵活系统。不同肉类的自动化水平差异显著,一般随着动物体型增大而下降。该综述强调,需要可适应的、模块化的自动化解决方案,以支持逐步融入现有运营。应对关键挑战,包括劳动力短缺、卫生加工和环境可持续性,将是确保肉类加工行业更加稳健和面向未来的关键。
-
高光谱成像结合可解释深度学习无损定量检测牛肉中掺入的淋巴肉
查看原文2026
Food Control
中科院一区JCR一区Tian Liu, Weijun Zhang, Hailong Xu, Jianguo Yu, Tingyan Sang, Yi Wang, & Songlei Wang
食品标签
畜肉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据牛肉中掺入淋巴肉会威胁食品安全和市场真实性,而在绞碎肉中通过肉眼识别较为困难。本研究建立了基于近红外高光谱成像和可解释深度学习的无损定量检测方法。研究将牛肉与淋巴肉按 0%-60%(间隔 5%)以及 100% 的掺假比例混合,制备 224 个样品;去除异常值后,216 个样品被划分为训练集和预测集。研究采集 900-1700 nm 光谱,进行预处理,并采用 CARS、BW、UVE 和 VCPA 选择特征波长。CNN 和 LSTM 模型与 PLSR、LSSVM 进行比较。SNV-CARS-LSTM 模型表现最佳,预测集 R2 为 0.9925,RMSEP 为 0.3700,RPD 为 11.64。SHAP 分析识别出 948 nm 和 1088.5 nm 等关键波长,并解释其对掺假水平预测的贡献。伪彩色可视化进一步展示了淋巴肉的空间分布。该研究为牛肉淋巴肉掺假检测提供了准确且可解释的工具。
-
利用理化指标和可见/近红外高光谱成像数据结合机器学习预测猪肉感官特性
查看原文2026
Food Control
中科院一区JCR一区Minwoo Choi, Jiwon Ryu, Jeong Beom Ju, Seokjun Lee, Ghiseok Kim, Hye-Jin Kim, & Cheorun Jo
食品标签
畜肉 颜色与外观品质 特征风味 光谱/色谱/质谱等分析方法 显微与成像技术 脂质与脂肪酸计算机标签
特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据由于传统感官评价方法具有主观性且会破坏样品,准确评估猪肉滋味品质仍然具有挑战性。本研究旨在结合理化数据、高光谱成像和机器学习算法,开发猪肉感官属性预测模型。研究分析了 50 个猪肩胛肉样本的理化参数,包括 pH、持水力、肉色、蒸煮损失、脂肪含量和谷氨酸含量,并评价了脂肪感、甜味、咸味、鲜味、多汁性和整体风味等感官属性。高光谱数据采集范围为 400-1,000 nm 和 900-1,700 nm。研究建立分类模型预测感官特征,并使用准确率和 F1-score 进行评价。基于理化数据的模型表现中等,例如咸味 F1 为 0.60,经质量控制过滤后提高至 0.69。高光谱模型对脂肪感预测表现最高,F1 为 0.73;基于 VIP 的波长选择提高了鲜味预测性能,F1 为 0.65。结果表明,结合 HSI 和理化特征可支持猪肉滋味品质的无损、数据驱动预测。研究建议进一步整合代谢组学,以提升鲜味等复杂特征的预测能力。