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
-
探索区块链与人工智能在智能包装中对抗食品欺诈的应用:综述
查看原文2024
Food Packaging and Shelf Life
中科院一区JCR一区Yadong Yang, Yating Du, Vijai Kumar Gupta, Fisal Ahmad, Hamid Amiri, Junting Pan, Mortaza Aghbashlo, Meisam Tabatabaei & Ahmad Rajaei
食品标签
新材料/包装与接触材料 包装与智能监测计算机标签
机器学习/统计学习 深度学习食品欺诈是一个紧迫的全球性挑战,具有深远的影响,需要采取强有力的预防措施。保护消费者免受有害产品侵害、维护供应链完整性以及确保公平竞争都依赖于有效的反欺诈策略。智能包装技术通过防篡改措施和可追溯性在减少食品欺诈方面发挥着关键作用。然而,单独的智能包装技术无法单独在食品链中建立全面的可追溯性。本综述认为,整合区块链和人工智能技术可以增强可追溯性并打击食品欺诈。区块链提高了透明度,而人工智能能够对大量数据集进行精确分析。这篇全面的综述批判性地审查了将区块链和人工智能技术与智能包装相结合以应对食品欺诈的潜力。它详细描述了这些技术在检测和减少整个供应链欺诈方面的优势和局限性。智能包装中多种技术的融合提供了一种整体方法来减少重大欺诈,但前提是有效解决技术、成本和安全挑战。总之,将先进技术集成到智能包装中为有效打击食品欺诈、建立消费者信任和维护食品供应链的完整性提供了一条有前途的途径。
-
基于动态表面增强拉曼光谱和正电荷探针结合深度学习的苹果中真菌孢子快速检测与准确识别
查看原文2024
Food Control
中科院一区JCR一区Jinghong Wang, Rui Zhu, Yehang Wu, Le Tang, Cong Wang, Mengqing Qiu, Ling Zheng, Pan Li, & Shizhuang Weng
食品标签
新鲜水果 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据真菌感染对苹果的品质构成严重威胁,因此,真菌孢子检测是控制病害传播、保障食品安全的关键举措。本研究构建了动态表面增强拉曼光谱(D-SERS)技术结合正电荷探针的检测体系,并基于深度学习方法实现真菌孢子的检测与鉴定。研究首先采用半胱胺修饰金纳米棒,制备得到正电荷 SERS 探针;该探针通过增强与真菌孢子带负电细胞壁的相互作用,提升孢子捕获效率。随后,将探针与 D-SERS 技术联用,对真菌孢子的拉曼光谱进行检测,并在 D-SERS 体系由湿态向干态转变的亚稳态阶段,获得了最优光谱信号。这是由于该阶段产生的毛细作用力促使纳米颗粒形成大量三维热点,进而实现拉曼信号的显著增强。经简单的过滤离心分离后,从染病苹果样品中即可检测到黄曲霉、匍枝根霉及灰葡萄孢三种真菌孢子的特征 SERS 信号,且信号响应优良。此外,本研究采用高性能深度学习模型 ZFNet 构建识别模型,该模型在训练集、验证集及预测集中的识别准确率分别达 100%、99.44% 和 99.44%。本研究所建立的方法为苹果真菌感染的检测与鉴定提供了一种简便、快速且精准的技术方案,同时可拓展应用于其他农产品的检测领域。
-
基于胺类响应型激发波长依赖性荧光聚合物的自校准传感平台用于食品新鲜度实时可视化检测
查看原文2024
Advanced Functional Materials
中科院一区JCR一区Qi Zhang, Lan Yu, Weiqiang Han, Li Yang, Hongjuan Li, Shiguo Sun & Yongqian Xu
食品标签
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 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他食品新鲜度的精准评估对保障人体健康至关重要。但食品所处复杂环境常导致检测结果出现假阳性现象。为此,开发具有自校准功能的传感平台,以实现复杂环境下食品新鲜度的准确检测显得尤为重要。本研究以发射绿色荧光的FITC-ene和发射红色荧光的DBA-ene-Eu作为荧光单元,制备出激发波长依赖性(254nm与365nm,匹配标准紫外灯)发光的荧光聚合物材料P1-P4。P1-P4对生物胺(BAs)响应迅速。其中,P3具有最宽的线性范围,在254 nm激发光下呈现最显著的荧光颜色变化(从橙红色变为黄绿色),在365 nm激发光下则显现增强的绿色荧光。利用P3制备的标签在不同激发波长下的变化特性,可快速评估食品新鲜度。进一步地,通过智能手机读取标签的红/绿/蓝三色数值,可输出总挥发性盐基氮(TVBN)值以定量评价食品新鲜度,并利用不同激发波长下的TVBN输出值进行相互校准,从而提高评估结果的准确性。这种自校准传感平台具有快速、无损的特点,为食品新鲜度的精准评估提供了有效方法。
-
茯砖茶真菌发酵:基于化学计量学、可见近红外光谱与电子鼻技术的感官特性综合评价
查看原文2024
Food Research International
中科院一区JCR一区Yan Hu, Wei Chen, Mostafa Gouda, Huan Yao, Xinxin Zuo, Huahao Yu, Yuying Zhang, Lejia Ding, Fengle Zhu, Yuefei Wang, Xiaoli Li, Jihong Zhou & Yong He
食品标签
茶/茶饮料 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
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据茯砖茶(FBT)的真菌发酵是形成其独特深色、香气和滋味的关键因素。因此,开发一种快速可靠的方法来评估茯砖茶在发酵过程中的品质至关重要。本研究重点结合电子鼻(e-nose)和光谱技术与感官评价、理化测定,构建了茯砖茶的机器学习(ML)模型。结果表明,融合数据在对茯砖茶发酵过程进行分类时达到了100%的准确率。SPA-MLR方法是预测茯砖茶品质的最佳模型(R2 = 0.95, RMSEP = 0.07, RPD = 4.23),并且发酵过程实现了可视化。该方法能有效检测出发酵程度与品质特征之间的关系。总之,本研究的创新之处在于建立了一种基于光谱、电子鼻和机器学习技术集成的实时方法,能够灵敏地检测茯砖茶后发酵特有的品质组分。
-
台式核磁共振光谱用于牛奶脂肪的定量测定和乳糖的定性测定:从校准曲线到深度学习
查看原文2024
LWT
中科院一区JCR一区José Raúl Belmonte-Sánchez, Roberto Romero-González, Manuel Ángel Martínez Orosa, María Calvo Morata, & Antonia Garrido Frenich
食品标签
液态乳 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸 碳水化合物与糖类计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 小规模数据集本研究比较了三种不同的方法,用于利用台式质子核磁共振 (¹H NMR) 光谱法定量超高温 (UHT) 牛奶的脂肪含量。该技术是绿色、可获取的尖端技术的代表,适用于现代实验室环境。评估的方法包括传统的校准曲线和机器学习算法,重点是偏最小二乘回归 (PLS-R) 和人工神经网络 (ANN),用于估计脱脂、半脱脂和全脂牛奶的脂肪含量。在这些方法中,ANN 在所有类型的牛奶中提供了最准确的结果,尤其是脱脂牛奶,具有 14.9% 的相对标准偏差 (RSD) 和 ±7.3% 的准确度。校准曲线的变异性较高,脱脂牛奶的 RSD 为 34.1%,真实性为 25.3%。PLS-R 在与校准曲线方法的比较中提高了准确性,将相对标准偏差(RSD)降低到 18.9%,真实度降低到 17.7%。该方法已成功应用于测定在西班牙不同超市购买的 51 样 UHT 牛奶的脂肪含量,对所考虑的三类牛奶(包括山羊奶、羊奶和牛奶咖啡)均提供了适当的结果。此外,机器学习的应用也证明了其有效性,能够成功区分含乳糖和无乳糖的 UHT 牛奶。