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
化学污染物

标签记录(计算机学者)

暂无筛选

共 187 条结果

  • 智能手机辅助的比色与近红外比率荧光传感器用于食品样品中H₂O₂的现场检测

    2023
    Chemical Engineering Journal
    中科院一区
    JCR一区
    查看原文

    Xiaodong Chen, Dan He, Jiaye Shentu, Sanxiu Yang, Yunfei Yang, Yuqing Wang, Rumeng Zhang, Kun Wang, Jing Qian & Lingliang Long

    食品标签

    禽肉 乳及乳制品 马铃薯 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

    计算机标签

    智能手机/其他

    过氧化氢(H2O2)在食品工业领域具有密切关联性。食品样品中残留的过量H2O2会降低食品营养价值,并对消费者健康构成重大威胁。开发可靠的现场定量检测食品中H2O2含量的分析方法具有迫切需求。本研究提出了一种比色-近红外(NIR)比率荧光传感器,可用于各类食品样品中H2O2的现场定量检测。该传感器对H2O2表现出比色与近红外比率荧光双信号响应,具有高选择性和灵敏度,其检测限(LOD)经测定为23.08 nM(信噪比S/N=3)。该传感器已通过荧光成像技术应用于活细胞中外源性与内源性H2O2的检测,并成功监测了马铃薯晚疫病菌侵染过程中组织内H2O2水平的变化。特别值得关注的是,为实现食品样本中H2O2的现场定量检测,本研究还合理开发了便携式现场检测装置。该传感器结合便携式检测设备与智能手机,通过比色法和荧光双信号输出,实现了鸡翅与牛奶中H2O2的现场定量检测。我们预期该方法未来可发展为不同食品中H2O2现场定量检测的便捷工具。

  • 从数据到洞察:利用文献挖掘和机器学习技术探索不同食物类别中的污染物

    2023
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    Zita E. Martins, Helena Ramos, Ana Margarida Araújo, Marta Silva, Mafalda Ribeiro, Armindo Melo, Catarina Mansilha, Olga Viegas, Miguel A. Faria & Isabel M.P.L.V.O. Ferreira

    食品标签

    微生物安全 化学污染物 加工污染物

    计算机标签

    机器学习/统计学习 定量预测/回归分析 知识抽取与语义理解 文本/知识库/法规数据 超大规模/工业级数据集

    尽管监管严格,但食品仍是人类接触全球商品中无意存在的化学污染物的主要来源。科学文献是获取各种食品中这些污染物量化数据的宝贵来源,然而手动汇总这些信息并不现实。在本综述中,文献挖掘和机器学习技术被应用于72种食品,以获取96种污染物的相关信息,包括重金属、多氯联苯、二噁英、呋喃、多环芳烃(PAHs)、农药、真菌毒素和杂环芳香胺(HAAs)。从过去20年的254篇论文中收集的11,723个数据点随后被用于确定污染物的分布模式。就污染物类别而言,金属是全球研究最多的,其次是多环芳烃、真菌毒素、农药和杂环芳香胺。在地理区域方面,研究分布不均衡,欧洲和亚洲的研究数量最多,其次是北美洲、南美洲、非洲和大洋洲。关于食品类别,所有类别都含有金属,而多环芳烃在12个类别中的7个里被发现。真菌毒素存在于6个类别中,农药几乎在除肉类、蛋类和植物油之外的所有类别中都有发现。杂环芳香胺仅出现在3个食品类别中,其中鱼类和海鲜中的含量最高。不同食品类别的污染物中位数浓度存在差异,其中桔青霉素的中位数最高。所收集的信息对于探索、建立不同数据集之间的联系和识别模式具有重要意义,旨在全面了解食品污染情况。

  • 通过近红外高光谱成像定量与分类脱氧鞘甲苯甲酰醇污染燕麦样品

    2023
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Irene Teixido-Orries, Francisco Molino, Antoni Femenías, Antonio J. Ramos & Sonia Marín

    食品标签

    杂粮 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 随机森林 知识图谱与 LLM 集成 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据

    脱氧雪腐镰刀菌烯醇(DON)是燕麦及燕麦制品中检出率最高的霉菌毒素。近红外高光谱成像技术(NIR-HSI)已被视作食品行业中检测脱氧雪腐镰刀菌烯醇污染极具应用前景的分析方法。本研究旨在将近红外高光谱成像技术应用于燕麦籽粒中脱氧雪腐镰刀菌烯醇的检测,并对自然污染脱氧雪腐镰刀菌烯醇的燕麦样品进行定量分析与分类判别。研究采用近红外高光谱成像技术分别对未研磨和研磨处理的燕麦样品进行扫描,随后通过高效液相色谱法测定样品中的脱氧雪腐镰刀菌烯醇含量。对采集的数据进行预处理后,采用偏最小二乘回归法及四种分类算法开展数据分析。针对未研磨燕麦样品构建的脱氧雪腐镰刀菌烯醇预测模型效果最优,该模型选取12个特征波长(其中1203纳米与1388纳米波长尤为关键),决定系数R2为0.75,预测均方根误差为403.18微克/千克。依据欧盟未加工燕麦脱氧雪腐镰刀菌烯醇最大限量标准(1750微克/千克),对未研磨燕麦样品采用随机森林算法进行分类,分类准确率可达77.8%。研究结果表明,近红外高光谱成像技术可作为检测燕麦中脱氧雪腐镰刀菌烯醇的有效手段,具备良好的应用潜力。

  • 基于智能手机图像分析的荧光检测四环素,利用机器学习

    2023
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Maryam Mousavizadegan, Morteza Hosseini, Mahsa N. Sheikholeslami, Yalda Hamidpanah & Mohammad Reza Ganjali

    食品标签

    液态乳 化学污染物 显微与成像技术

    计算机标签

    智能手机/其他 深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据

    四环素(TC)被广泛用作兽药,因此对其检测具有极高的重要性。本研究旨在开发一种四环素快速检测方法。为此,研究合成了牛血清白蛋白保护的金/银双金属纳米团簇(BSA-BMNCs),用于检测水体和牛奶中的四环素。随着四环素浓度升高,四环素与牛血清白蛋白发生相互作用,使双金属纳米团簇的荧光发射由红色向黄色偏移。使用多款智能手机采集传感平台图像,提取图像颜色与纹理信息,构建水体和牛奶样品的训练数据集。利用该数据集对机器学习算法进行训练,分别建立适用于水体样品的装袋-人工神经网络模型(决定系数R²=0.994,标准化均方根误差NRMSE=0.078)与适用于牛奶样品的装袋-决策树模型(决定系数R²=0.999,标准化均方根误差NRMSE=0.027)。本研究证实,机器学习算法可有效应用于食品分析物快速检测传感器的研发。

  • 肽纳米点桥联金属有机框架(PNMOF):智能构建级联放大平台用于智能手机辅助移动荧光成像检测拟除虫菊酯

    2023
    Chemical Engineering Journal
    中科院一区
    JCR一区
    查看原文

    Ying Zhang, Yunhai Chen, Dianwei Chen, Huilin Liu & Baoguo Sun

    食品标签

    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

    计算机标签

    智能手机/其他

    本研究通过将高效荧光二肽纳米点与Zn(II)和二羟肟酸连接体配位,可预测地组装成三维框架,构建了肽纳米点跨链桥金属有机框架(PNMOF)。该体系代表了一类新型三元杂化材料(金属离子、有机连接体和肽纳米点),以模块化方式整合了化学与结构的多样性。由于其独特的三元开放框架结构,PNMOF展现出快速灵敏的响应特性。当目标物(如高效氯氟氰菊酯LCY)进入三元杂化结构时,会引发级联放大效应。密度泛函理论计算证实,基于电荷转移机制,LCY可在PNMOF级联放大平台中引起显著的荧光猝灭现象。本研究采用基于PNMOF的级联放大平台,在智能手机辅助下实现了溶液与固态基质中拟除虫菊酯类农药的荧光成像检测。该方法检测限低至0.34μg/L,实际农产品中的加标回收率为88.26%-108.17%。该工作不仅揭示了传统金属有机框架材料的结构多样性,更为环境保护与食品安全监测提供了有效工具。

跳转至

页

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