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
-
基于铕功能化发光Zr-MOV,用于现场测定四环素的智能手机辅助比测量平台
查看原文2023
Food Chemistry
中科院一区JCR一区Yijian Zhang, Meiyi Liu, Shuai Zhou, Zhiyu Yan, Jingsheng Tian, Qiaojuan Zhang & Zhiyi Yao
食品标签
食品安全与风险评估 颜色与外观品质计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据四环素(TC)的现场精准分析对保障食品安全及评估环境污染具有重要研究价值。本文基于铕功能化金属有机框架材料(Zr-MOF/Cit-Eu),构建了一种智能手机荧光检测平台用于四环素检测。利用Zr-MOF/Cit-Eu与四环素之间的内滤效应和天线效应,该探针对四环素呈现比率型荧光响应,荧光发射颜色由蓝色转变为红色。该检测体系传感性能优异,检出限低至3.9纳摩尔每升,线性检测范围跨度近四个数量级。后续制备了基于Zr-MOF/Cit-Eu的可视化检测试纸条,可通过红绿蓝(RGB)信号实现四环素的精准检测。将该检测平台应用于实际样品检测,加标回收率为92.27%~110.22%,检测效果良好。该基于金属有机框架的现场荧光检测平台,在构建有机污染物可视化、定量智能化检测平台方面具备巨大应用潜力。
-
利用智能系统生产藻类蛋白以改善功能性食品配料行业
查看原文2023
Food Research International
中科院一区JCR一区Yi Ting Neo, Wen Yi Chia, Siew Shee Lim, Cheng Loong Ngan, Tonni Agustiono Kurniawan & Kit Wayne Chew
食品标签
微藻及藻类产品 营养与生物功能 可持续性与资源高值化 过程控制与数字化 3D 打印与结构构筑 过程监测与在线检测 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据藻类蛋白的生产和提取用于功能性食品配料需要控制温度、pH、光强和浊度等多个参数。虽然物联网和人工智能已在微藻生物质提升和物种鉴定中得到探索,但它们在藻类蛋白生产和功能性食品加工中的具体应用仍然有限。本综述研究了基于物联网和人工智能的智能系统的应用潜力,以实现藻类蛋白生产和提取过程中的实时监测、远程控制、快速事件响应和预测性表征。藻类,包括大型藻和微藻,代表了具有高营养价值和生物活性潜力的可持续高效蛋白来源。综述涵盖了藻类的功能特性、蛋白质提取方法(如超声波辅助、脉冲电场、微波辅助)以及物联网在智能监测和机器学习在物种分类、生长预测和过程优化中的整合。此外,还讨论了人工智能在表征生物活性肽和功能性食品配料中的应用。文中探讨了数据安全、技术采用和监管障碍等挑战,并展望了智能系统在提高藻基功能性食品生产的效率、可持续性和创新性方面的未来前景。
-
用于高效低成本液体识别的双感官融合自供电摩擦电味觉传感系统
查看原文2023
Nature Food
中科院一区JCR一区Xuelian Wei, Baocheng Wang, Xiaole Cao, Hanlin Zhou, Zhiyi Wu & Zhong Lin Wang
食品标签
品质、结构与理化性质 理化与结构表征 统计建模与仿真计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据将人类的味觉感知能力融入智能传感设备中,以模拟味觉器官对液体物质的处理能力,这一过程仍颇具挑战性。在此,我们基于液滴的动态形态变化和液固接触电荷产生原理,开发了一种自供电的液滴味觉传感器系统。通过结合摩擦电指纹信号和深度学习,该传感器系统在五种不同的应用中实现了超过 90%的液体识别准确率。此外,还集成了一个图像传感器来提取液体的视觉特征,从而使液态传感系统的识别能力提高到了 96.0%。这种双感官融合的自供电液态传感系统,以及能够自主产生摩擦电信号的液滴味觉传感器,为开发有效且低成本的液态传感技术(用于液体食品的安全识别和管理)提供了极具前景的解决方案。
-
基于数据级融合和深度残差网络的热成像和CCD成像协同应用检测羊肉掺假
查看原文2023
Meat Science
中科院一区JCR一区Shichang Wang, Rongguang Zhu, Zhongtao Huang, Minchong Zheng, Xuedong Yao & Xunpeng Jiang
食品标签
畜肉 食品安全与风险评估 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据为提高单一热成像和单一CCD成像检测未知掺假肉样品的性能,将这两种成像技术与深度残差网络协同应用于羊肉掺假检测。考虑到空间和细节信息在提高稳定性和准确性方面的重要性,提出了三种数据级融合方法,即彩色图像拼接、灰度图像拼接和灰度通道堆叠,用于热图像和CCD图像的融合。基于融合图像进一步建立了分类和预测模型。结果表明,采用彩色图像拼接的模型性能最佳。对于外部验证集,最佳分类模型区分五个类别的准确率为99.30%。在预测猪肉掺假比例方面,最佳预测模型的R^2、RMSE、RPD和RER分别为0.9717、0.0238、7.8696和21.28。预测鸭肉掺假比例的最佳模型R^2为0.9616,RMSE为0.0277,RPD为5.1015,RER为14.44。因此,热成像和CCD成像的协同应用可为检测羊肉掺假及其他食品质量提供一种新颖且有前景的工具。
-
基于超声波检测和LightGBM回归预测油炸豆腐的弹性和凝聚力
查看原文2023
Food Control
中科院一区JCR一区Lilei Xuan, Zitao Lin, Jing Liang, Xiaowei Huang, Zhihua Li, Xinai Zhang, Xiaobo Zou, & Jiyong Shi
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 传统热加工 质构与流变测试 其他方法计算机标签
深度学习 随机森林 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定本研究提出一种超声检测结合机器学习算法的方法,旨在实现油炸豆腐加工过程中回弹性与内聚性的定量预测及可视化表征。研究人员对超声检测数据依次进行离散小波变换、主成分分析(PCA)降维及蒙特卡洛交叉验证(MCCV)异常值处理等预处理操作。随后,分别采用极端梯度提升(XGBoost)、随机森林(Random Forest)、轻量级梯度提升机(LightGBM)及人工神经网络(Artificial Neural Network)四种机器学习算法构建预测模型,并对比各模型的预测性能。结果表明,离散小波变换结合轻量级梯度提升机(LightGBM)的模型表现最优:其预测回弹性与内聚性的决定系数(R p2)分别达 0.969 和 0.956,预测均方根误差(RMSEP)分别为 1.81 和 2.11。该结果满足油炸豆腐质构特性的预测要求。本方法为油炸豆腐质构特性检测提供了一种新颖、快速且高效的无损技术方案,在食品工业领域具有实际应用价值。