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
-
基于机器学习的比色传感器阵列用于快速区分和检测生牛奶中多种抗生素耐冷菌
查看原文2024
Food Chemistry: X
中科院一区JCR一区Yanan Qin, Jingshuai Sun, Wanting Huang, Haitao Yue, Fanxing Meng & Minwei Zhang
食品标签
液态乳 食品安全与风险评估 微生物安全 微生物与发酵实验 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据在本研究中,设计了一种快速、廉价且准确的比色传感器用于检测嗜冷菌,该传感器包含经对氨基酸(D-AA)修饰的金(Au)纳米颗粒(NPs)作为比色探针。基于嗜冷菌诱导的金纳米颗粒聚集,在6小时内会发生明显的颜色变化。根据细菌对不同D-AA的各种代谢行为,通过学习响应模式,成功区分了生乳中的四种主要嗜冷菌。此外,还可实现单一细菌的定量以及在牛奶样品中的实际应用。值得注意的是,通过将Au/D-AA与抗生素结合,构建了一种快速比色法来测定嗜冷菌的最低抑菌浓度,该方法依赖于细菌在不同抗生素处理下代谢活性的差异。因此,该方法能够实现嗜冷菌的快速检测和药敏性评估,提升了临床实用性和抗生素管理水平。
-
基于机器学习的光谱食品掺假检测:当前挑战与未来展望
查看原文2024
Trends in Food Science & Technology
中科院一区JCR一区Rishabh Goyal, Poonam Singha & Sushil Kumar Singh
食品标签
食品安全与风险评估 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 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据背景:食品掺假已成为食品行业面临的重大挑战,影响着消费者的健康和市场信任。利用机器学习,特别是深度学习与光谱方法,已经彻底改变了食品掺假检测方式,使得开发更为复杂和自动化的解决方案成为可能。
范围与方法:本综述旨在全面概述基于机器学习的光谱技术在检测食品掺假方面的挑战与机遇,探讨了食品行业中常用的各种光谱技术,如红外光谱、拉曼光谱、核磁共振光谱、荧光光谱、多光谱成像和高光谱成像。文章讨论了数据预处理、特征工程、模型复杂性、可解释性及其性能,以及对大规模多样化数据集的需求。
主要发现与结论:要开发一个采用机器学习的商业化光谱掺假检测系统,不仅需要优化模型,还需要优化数据集大小、预处理方法的组合、特征选择与提取方法、模型选择、通过验证调整的超参数以及性能标准。此外,新的机器学习算法正在迅速发展,但利用光谱技术创建专门的掺假检测模型仍然是一个研究领域。 -
大语言模型在食品科学中的创新、应用与未来
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Peihua Ma, Shawn Tsai, Yiyang He, Xiaoxue Jia, Dongyang Zhen, Ning Yu, Qin Wang, Jaspreet K.C. Ahuja & Cheng-I Wei
食品标签
品质、结构与理化性质 营养与生物功能 食品安全与风险评估 过程控制与数字化 标准/法规/数据库分析计算机标签
大模型与 LLM 大语言模型 定量预测/回归分析 知识抽取与语义理解 文本/知识库/法规数据背景:大语言模型(LLMs)在食品科学领域的重要性与日俱增,彻底革新食谱研发、营养分析、食品安全及供应链管理等多个研究方向。该类模型为食品科学各细分领域提供成熟的决策支持、预测分析与自然语言处理能力。
研究范围与研究方法:本文综述聚焦大语言模型对食品科学的赋能应用,重点围绕食品安全展开研究,尤其针对污染物检测与风险评估两大方向;同时探讨人工智能与大语言模型在合规监管、食品质量管控中发挥的作用。文章剖析现存各类难题,包括数据偏差、虚假信息隐患,以及数据资源匮乏、伦理争议等落地实施层面的阻碍,并着重强调跨学科协作是攻克上述难题的关键。
核心研究结果与结论:大语言模型具备巨大应用潜力,能够实现全球食品体系流程自动化,提升整体工作精准度与运行效率。想要落地见效,需持续迭代优化模型,并同步兼顾伦理规范。本文为科研学者、行业从业者及政策制定者梳理大语言模型对食品科学行业的影响,阐明该领域跨学科协同研究的核心价值。尽管落地过程仍存在诸多挑战,但将大语言模型融入食品科学领域,有望带来颠覆性的行业发展突破。 -
食品代谢组学中的人工智能决策工具:数据融合揭示榛子代谢组内的协同作用并提升质量预测
查看原文2024
Food Research International
中科院一区JCR一区Simone Squara, Andrea Caratti, Angelica Fina, Erica Liberto, Nemanja Koljancic, Ivan Špánik, Giuseppe Genova, Giuseppe Castello, Carlo Bicchi, André de Villiers & Chiara Cordero
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 代谢组学计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 组学数据 多模态/融合数据本研究采用非靶向与靶向代谢组解析技术,对高品质榛子(Corylus avellana L.)的代谢组开展研究,旨在实现榛子工业品质预测。研究借助全二维气相色谱、液相色谱联用高分辨质谱技术,分别表征榛子非挥发性代谢组(初级代谢物、特征次级代谢物)与挥发性代谢组。研究采用底层数据融合(LLDF)、中层数据融合(MLDF)等多源数据融合策略提升模型分类效果。主成分分析(PCA)与偏最小二乘判别分析(PLS‑DA)结果表明:产地来源、采后处理方式会显著影响榛子特征次级代谢物组成,而储藏环境与储藏时长主导挥发性代谢物的变化规律。结果证实,中层数据融合(MLDF),尤其是有监督中层数据融合模型,预测精度优于单一组分数据建模。本研究明确了与榛子品质指标存在因果关联的特征代谢物谱,其中醛类、醇类、萜类及多酚类化合物是区分品质的核心标志物。多检测平台联用结合数据融合方法,可为食品行业精准品质评价、储藏与加工工艺优化提供可靠技术支撑。
-
基于LC-HRMS与1H NMR代谢组学数据融合方法的Amarone葡萄酒按风干时间与酵母菌株分类
查看原文2024
Food Chemistry: X
中科院一区JCR一区Pier Paolo Becchi, Veronica Lolli, Leilei Zhang, Francesco Pavanello, Augusta Caligiani & Luigi Lucini
食品标签
酒精饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法 代谢组学计算机标签
偏最小二乘法 智能手机/其他 分类/鉴别/等级评定 组学数据 多模态/融合数据本研究结合两种非靶向代谢组学方法(液相色谱-高分辨质谱法和氢核磁共振波谱法),根据葡萄的萎凋时间和酵母菌株对阿马罗内葡萄酒进行分类。研究采用了多组学数据整合方法,将无监督数据探索(多组学数据整合分析)和有监督统计分析(稀疏偏最小二乘判别分析)相结合。结果显示,多组学伪特征值空间表明数据集之间的相关性有限(RV系数=16.4%),这提示了这些检测方法的互补性。此外,稀疏偏最小二乘判别分析模型能根据萎凋时间和酵母菌株对葡萄酒样品进行正确分类,相较于单一技术所获得的结果,该模型对葡萄酒代谢组的表征更为全面。在整个萎凋过程中,氨基酸、单糖和多酚类化合物的积累存在显著差异,且样品分类的错误率较低(7.52%)。总之,该策略在整合大型组学数据集以及识别能够根据葡萄酒样品特性对其进行区分的关键代谢物方面展现出了较强的能力。