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
标签记录（计算机学者）
共 393 条结果
-
通过智能包装、胶片成像和色谱特征的多模态深度融合，实现鲑鱼鲜度的无损检测
查看原文
2025
Food Packaging and Shelf Life
中科院一区JCR一区
Haibo Xu, Jingru Chang, Mingyang Sun, Jialing Li, Haitao Wang, Yuanda Sun, Wentao Su & Xiaoyang He
食品标签
鱼肉 货架期预测与品质劣变动力学 智能/指示型包装 包装系统中的监测与标签应用 常规理化指标测定计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 多模态/融合数据水产品的快速腐败需要高效、无损的鲜度检测方法。本研究提出了一种通过嵌入单宁酸-Fe2+络合物作为颜料制备的柔性荧光光学传感器阵列，以监测鲑鱼腐败过程中与总挥发性盐基氮（TVB-N）相关的pH值和颜色变化。利用传感器阵列的智能手机图像训练了一个融合视觉与颜色特征的双模态深度学习模型。我们提出了iCFreshNet，这是一个基于EfficientNet-B0的多模态框架，它将双通道特征提取器与改进的标量门控融合及轻量级门控融合一致性相结合，以增强特征的鲁棒性和协同性。在对比实验中，iCFreshNet在本地计算环境中实现了毫秒级的推理延迟，测试准确率达到99.0%，优于ResNet50、CLIP和微调的大模型。训练后的模型能出色地区分颜色线索，并能泛化到不同的样本，展现了在食品安全应用中用于智能包装和实时鲜度监测的强大潜力。
-
一种由Mn3O4空位纳米酶催化的新型类重氮化现象用于智能手机辅助的食品中亚硝酸盐可视化检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Wenping Yang, Zufei Jin, Ying Yu, Guangyan Hao, Langjin Zhong, Yue Tang & Yuangen Wu
食品标签
其他复合食品 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
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品中过量亚硝酸盐的存在会对人体健康构成重大风险，这凸显了开发快速检测方法的关键重要性。本研究合成了一种具有丰富空位的Mn₃O₄纳米酶，该纳米酶具有独特的氧化酶模拟活性，能够催化N-乙基-N-（3-磺丙基）-3-甲基苯胺钠盐（TOPS）的氧化。有趣的是，TOPS的氧化衍生物通过类重氮化现象呈现出与亚硝酸盐浓度相关的颜色变化。因此，我们建立了结合视觉和智能手机辅助传感模式的双重检测平台。机理研究表明，催化氧化和类重氮化过程均涉及活性氧（•O₂⁻和¹O₂）。灵敏度研究显示，线性检测范围为20–160μM，计算得出的检测限（LOD）分别为1.9μM（视觉检测）和0.01μM（智能手机检测）。与国家标准方法的对比分析证实了我们的方法在实际食品基质中的可靠性和准确性。这项工作为食品安全监测提供了一个强大的分析平台，兼具操作简便性和实验室级别的精确性。
-
利用太赫兹成像技术和深度学习检测小麦杂质
查看原文
2025
LWT
中科院一区JCR一区
Yuying Jiang, Mengdie Jiang, Tauseef Abbas, Hongyi Ge, Xixi Wen, & Hao Chen
食品标签
小麦 食品安全与风险评估 其他安全问题 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
目标检测网络 缺陷/异物检测与定位 高光谱/多光谱光谱 可见光/RGB/视频数据在小麦收割和运输过程中，各种杂质常常混入小麦中，这不仅影响其质量，还对食品安全构成威胁。传统的小麦杂质检测方法存在检测时间长、准确率低以及对样品造成不可逆损伤等问题。为了解决这些挑战，本文利用太赫兹（THz）波的优势，包括穿透力强、成像分辨率高和无损检测，并提出了基于YOLOv9的小麦杂质分割模型YOLO-seg。该模型能够实现小麦杂质的快速、无损和准确分割。模型使用自建的小麦杂质数据集进行训练，并验证了其在杂质识别和分割方面的性能。YOLO-seg 在识别性能上优于其他模型，实现了 mAP 50、mAP 50:95、精确率、召回率和 F1 分数分别为 95.4%、72.8%、90.6%、92.1% 和 91.4%。相比 YOLOv9，这些指标分别提升了 3%、1.4%、4%、3.8% 和 4%。结果表明，YOLO-seg 与太赫兹成像技术的结合，为小麦杂质识别提供了一种高效、精准且非破坏性的方法。该模型架构具有广泛适用性，可扩展至其他作物的杂质检测，为农业质量控制提供了新颖的技术解决方案。
-
啤酒中二甲硫醚的顶空分析：基于纸基的智能手机比色法
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jamilly B. Santiago & Fortunato B. Sevillanill
食品标签
酒精饮料 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 定量预测/回归分析 可见光/RGB/视频数据啤酒是全球最受欢迎、最广泛消费的饮品之一。在酿造和发酵的生产过程中，自然的独特风格和固有风味被产生。二甲基硫化物（DMS）对啤酒的风味特征有显著贡献。在低浓度时，其存在是理想的。然而，在高浓度时，这种味道会变得异常。啤酒中DMS的浓度通过智能手机比色法测量。一种基于纸张的分析装置（PAD）通过将碱性硝基醇（Nitroprusside）制成的色生成试剂相固定在明胶水凝胶中。通过头间取样及随后与固定试剂的反应，检测到低水平的DMS。通过捕捉PAD的数字图像，利用RGB色彩值确定浓度。在5至120微克DMS L浓度范围内，绿色色值（G值）观察到线性行为−1，皮尔逊系数为0.995，检测极限为2.7微克升−1.展示了高精度和准确性，RSD范围为0.79%至1.36%（n=6），真实性值分别在92.5%至104.4%之间，也满足AOAC对低水平分析物的要求。基于智能手机的比色法结果与拉格和全麦芽啤酒样品中DMS的色谱分析结果高度吻合。该方法是气相色谱法的廉价替代方案，用于DMS测量，使小型酿酒厂和精酿啤酒生产者能够监测产品中的异味。
-
人工智能用于预测各类食品保质期：最新进展与持续挑战
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Mahdi Rashvand, Yuqiao Ren, Da-Wen Sun, Julia Senge, Christian Krupitzer, Tobi Fadiji, Marta Sanzo Miró, Alex Shenfield, Nicholas J. Watson & Hongwei Zhang
食品标签
保藏与贮藏 货架期预测与品质劣变动力学 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 定量预测/回归分析 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/物联网数据背景：准确估算保质期对于维持食品安全、减少浪费和提高供应链效率至关重要。传统方法（如微生物和化学分析以及感官评价）可提供可重复的结果，但耗时耗力，且可能不适用于实时或高通量应用。人工智能与先进分析技术的集成为在动态存储环境中快速、数据驱动地估算保质期提供了一种合适的替代方案。
方法与范围：本综述评估了基于人工智能的技术（如机器学习、深度学习和混合方法）在食品保质期预测中的应用。本研究重点阐述了如何利用人工智能分析来自高光谱成像、光谱学、机器视觉和电子传感器等无损检测方法的数据，以提升预测性能。综述还描述了基于人工智能的技术如何通过确保优化的食品配送和减少浪费，来帮助管理食品质量、减少经济损失并增强可持续性。
主要发现与结论：人工智能技术通过整合影响食品腐败的微生物、生化和环境因素等多源复杂信息，克服了传统技术的局限。肉类、乳制品、果蔬和饮料的案例研究证明了人工智能技术在实时监测和质量评估方面的优越性。同时，本文也指出了数据可用性、模型普适性和计算成本等限制其广泛应用的局限性。未来的应用需要考虑将云平台和物联网平台集成，以实现实时决策和自适应建模。人工智能可以成为食品行业的一种范式转变工具，为食品安全、减少浪费和可持续性提供智能化、可扩展且低成本的解决方案。
