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

  • 通过便携式近红外光谱实时无损检测活贻贝的新鲜度与活性

    2024
    Food Control
    中科院一区
    JCR一区
    查看原文

    Sergio Ghidini, Maria Olga Varrà, Davide Bersellini, Mauro Conter, Maria Pia Fabrile, Adriana Ianieri, & Emanuela Zanardi

    食品标签

    软体与贝类 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 传统统计分析与回归 常量营养素(宏量)

    计算机标签

    偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集

    本研究提出一种基于便携式近红外光谱(NIR)技术的新型、快速、无损检测方法,用于评估鲜活贻贝在货架期内的新鲜度与存活状态。研究以 150 枚地中海贻贝(Mytilus galloprovincialis, L.)为对象,在 10 天贮藏周期内采集其 908~1676 nm 波段的近红外光谱数据;同时测定贻贝的失重率、瓣内液 pH 值及非蛋白氮含量等理化指标。研究通过正交偏最小二乘回归(OPLSR)分析,将近红外光谱提取的多元信息与冷藏贮藏天数进行关联,构建新鲜度预测模型。结果显示,除水分流失导致的贻贝失重呈渐进性变化外,其余理化指标在贮藏期间均未呈现明显规律性趋势;而经四阶导数预处理的近红外光谱数据所构建的 OPLSR 模型,经交叉验证后相关系数达 0.86,且利用新贻贝样本进行外部验证时,预测平均误差(预测均方根误差)仅为 1.3 天。该模型的预测能力主要源于与贻贝关键化学组分相关的特征近红外波长,这些组分包括不饱和脂肪酸、含氮化合物、水分、甘油及腺苷三磷酸(ATP)相关物质,上述组分共同构成了用于预测贻贝贮藏时长的特异性光谱指纹。该检测方法兼具环保、无损、实时、经济的优势,其检测性能与行业质控流程及检验需求高度适配,可在食品供应链各环节中有效评估鲜活贻贝的新鲜度与存活状态。

  • 使用可解释人工智能预测瑞典春燕麦中脱氧雪腐镰刀菌烯醇污染

    2024
    npj Science of Food
    中科院一区
    JCR一区
    查看原文

    Wang X, Bouzembrak Y, Oude Lansink A. G. J. M. & van der Fels-Klerx H. J

    食品标签

    杂粮 化学污染物 暴露评估与风险表征

    计算机标签

    随机森林 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据

    已知天气条件和农艺因素会影响镰刀菌属的生长,并最终影响燕麦中脱氧雪腐镰刀菌烯醇的污染。本研究旨在利用机器学习算法,在瑞典区域基础上开发预测春燕麦收获时DON污染的模型。分别针对农民、作物收集者和食品安全检查员,开发了三种模型作为区域风险评估工具。数据包括:不同燕麦生长期的天气数据、农艺数据、特定地点数据以及前一年的DON污染数据。结果表明:(1)随机森林模型能够预测收获时的DON污染,总体分类准确率至少为0.72;(2)早在6月即可做出良好预测;(3)不同燕麦生长期的降雨量、相对湿度和风速,其次是作物品种和海拔,是预测春燕麦收获时DON污染的最重要特征。

  • 麸皮分离(Kubessa 法)影响啤酒老化化学

    2024
    Journal of Agricultural and Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Stefan A. Pieczonka, Lukas Brass, Florian Lehnhardt, Jens Eiken, Alexa Wachtler, Leopold Weidner, John Brauer, Michael Rychlik, Martina Gastl, Philippe Schmitt-Kopplin, & Martin Zarnkow

    食品标签

    酒精饮料 氧化、褐变等化学变化 特征风味 光谱/色谱/质谱等分析方法 含硫植物化合物

    计算机标签

    机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据

    糖化前去除麸皮的 Kubessa 法是一种既有酿造工艺,通常被认为与啤酒口感柔和和风味稳定性改善有关,但关于其对啤酒影响的实证证据一直不足。本研究对既有酿造属性进行综合分析后发现,传统方法不能充分捕捉麸皮分离对啤酒酿造的影响。研究利用超高分辨率质谱(FT-ICR-MS)获得 Kubessa 法影响啤酒老化化学的明确证据,揭示了常规分析技术难以获取的复杂分子细节。研究解析了 Kubessa 啤酒中数千种分子的组成信息,并与全麦芽糖化进行比较。应用于老化实验的机器学习算法识别出 500 多种受麸皮分离抑制的老化相关化合物。互补的飞行时间质谱结合色谱进一步证实,麸皮糖化会引入含硫脂质化合物。这些啤酒组成上的显著差异,为进一步研究麸皮分离(Kubessa 工艺)在啤酒生产中的抗老化保护作用提供了有价值线索。

  • 结合顶空气相色谱-离子迁移谱和机器学习评估黑胡椒粉的真实性

    2024
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Carmela Zacometti, Giuseppe Sammarco, Andrea Massaro, Stephanie Lefevre, Aline Frégière-Salomon, Jean-Louis Lafeuille, Ingrid Fiordaliso Candalino, Roberto Piro, Alessandra Tata & Michele Suman

    食品标签

    其他添加剂与配料 光谱/色谱/质谱等分析方法 其他植物化学物质

    计算机标签

    偏最小二乘法 支持向量机 分类/鉴别/等级评定

    目前,黑胡椒粉的真实性鉴定是一个重要问题,亟需一种快速、高灵敏度且特异的检测工具,以防止掺假批次进入食品链。为此,本研究在这项初步的概念验证中测试了顶空气相色谱-离子迁移谱(HS-GC-IMS)结合机器学习的方法。研究收集了来自八个国家和三大洲的多种真实样品,并掺入了一系列掺假物,包括内源性副产物和多种外源性物质。该方法无需样品前处理,色谱分离和离子迁移数据采集仅需20分钟。对数据进行探索性分析后,将其提交给两种不同的机器学习算法(偏最小二乘判别分析-PLS-DA 和支持向量机-SVM)。虽然PLS-DA模型的表现未能完全令人满意,但HS-GC-IMS与SVM的结合成功地将样品分类为真实、外源性掺假或内源性掺假,在两个保留测试集上的总体准确率分别达到90%和96%(置信水平95%)。在内源性掺假黑胡椒粉的正确分类方面遇到了一些局限性,预计将通过进一步研究得到缓解。操作员或数据收集的时间跨度并未对黑胡椒粉样品的正确分类产生不利影响(方法开发和模型验证由两名操作员在6个月的研究期间完成,使用的是2015年至2019年收获的黑胡椒粉)。因此,提出将HS-GC-IMS与智能工具结合,用于:(i) 在生产链中使用新批次黑胡椒粉前辅助工业决策;(ii) 减少耗时常规分析的使用;(iii) 在工业质量控制框架内增加分析的黑胡椒粉样品数量。

  • 基于机器学习的发酵石榴汁感官偏好定向预测

    2024
    LWT
    中科院一区
    JCR一区
    查看原文

    Wenhui Zou, Fei Pan, Junjie Yi, Wenjun Peng, Wenli Tian, & Linyan Zhou

    食品标签

    果蔬汁/浓缩汁 其他酱腌/发酵食品 感官科学与消费者研究 发酵工艺与动力学

    计算机标签

    梯度提升决策树 模型可解释性 定量预测/回归分析 质构/流变/感官数据

    发酵石榴汁(FPJs)已成为满足石榴产品日益增长需求的有前景的替代品,然而,依靠感官评估开发新产品既费时又费力。在本研究中,制备了90份FPJs,以通过机器学习(ML)预测影响感官偏好的关键理化特性。在9种ML预测模型中,梯度提升(GradientBoosting)算法在验证集上表现出最佳的稳健性和预测能力,同时加权偏好得分(WPS)模型相比综合偏好得分(CPS)模型更准确地预测了感官偏好。基于SHapley加性解释(SHAP)分析,TSS、CD和LAB是影响CPS和WPS模型中偏好得分的前三大关键特性,但排名有所不同。机器学习及其可解释性为食品行业开发消费者偏好产品和提高食品感官质量提供了一种新的方法和理论基础。

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