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 393 条结果
-
云集成微流控荧光感测平台,采用UCNP/Fe3O4@Cu纳米探针,用于同时和现场多农药残留检测,并可借助智能手机辅助
查看原文2025
Food Chemistry
中科院一区JCR一区Lina Zhu, Rong Sun, Fei Gao, Gong Chen, Shuangshuang Liu & Qin Ouyang
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 其他特殊成分计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据快速高效地检测农药残留对于确保食品安全至关重要。我们开发了一款智能手机辅助多通道微流控纸质设备(MCPD)生物传感器,集成云平台,可同时检测草甘膦(Gly)、马拉硫磷(Malathion)和对乙酰氨基啶(Ace)。通过通过耦合上转换纳米粒子(UCNPs)与铁制造的纳米探针,检测区的功能化3O4@Cu。在有靶点存在时,荧光强度会逐渐恢复,并可通过光谱仪和智能手机检测。在最佳条件下,MCPD对Gly、Mal和Ace的快速响应时间为25分钟,荧光检测限分别为0.133、0.181和0.232 ng/mL,基于图像的检测限分别为0.493、0.346和0.285 ng/mL。该方法与HPLC方法无显著差异。此外,基于安卓的云平台支持实时图像分析和数据存储。该MCPD生物传感器代表了一个灵敏高效、用于现场监测多目标的平台。
-
FSF-ViT:图像增强与自适应全局-局部特征融合,用于Few-S热Food分类
查看原文2025
Food Chemistry
中科院一区JCR一区Jinhong Li, Huiying Xu, Xinzhong Zhu, Jiping Xiong & Xiaolei Zhang
食品标签
餐饮菜品与团餐 其他过程控制与数字化研究计算机标签
其他深度学习结构 小样本学习 分类/鉴别/等级评定 可见光/RGB/视频数据 公开数据集我们提出了FSF-ViT,这是一种基于视觉变换器(ViT)的模型,集成了图像增强和自适应的全局-局部特征融合,用于Few-Shot Food(FSF)分类。该方法侧重于有限的食物图像训练,以降低数据收集和注释成本。该方法在测试集中实现了最高的分类准确率95.1%。与ViT模型相比,FSF-ViT在我们构建的Food-30和三个基准数据集上,平均准确率分别提升了12.8%、15.1%、4.6%和8.3%。此外,本研究可视化了分类结果,并验证了FSF-ViT的有效性。本研究为利用智能设备快速在线饮食记录提供了低成本且高效的技术支持,推动了饮食管理和健康的发展。
-
智能手机辅助荧光探头结合侧流测定,用于食品和生物体的Cys检测
查看原文2025
Food Chemistry
中科院一区JCR一区Yingying Xu, Jianmin Wang, Xue Hai, Jian Zhang & Jianhong Wang
食品标签
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 蛋白质与氨基酸计算机标签
主成分分析/判别分析 智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据将荧光探针、智能手机与侧向流动分析法(LFA)相结合构建新型检测体系,可满足半胱氨酸(Cys)快速、便捷、现场即时分析的需求。本研究设计合成了基于氟硼二吡咯(BODIPY)骨架的BDP-SINO探针,该探针检测半胱氨酸时具有高信噪比(363倍)与超快响应速度(1.0分钟)。同时,BDP-SINO可成功用于各类液态及固态萃取样品中半胱氨酸的含量检测。借助智能手机,负载BDP-SINO的试纸条与微孔滤膜可实现对半胱氨酸的便携式、实时可视化及定量检测。此外,将智能手机、线性判别分析(LDA)与侧向流动分析法联用,为半胱氨酸的定性检测搭建了全新检测平台。另外,BDP-SINO具备良好的生物相容性,可实现活细胞及小鼠体内半胱氨酸的荧光成像检测。综上,基于BDP-SINO构建的检测体系可在多种应用场景下实现对半胱氨酸的识别检测。
-
计算机视觉技术在发酵食品中的应用:综述
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Zheli Song, Yuanbo Li, Hongyuan Zhao, Xiaogang Liu, Hailong Ding, Qiansu Ding, Dongna Ma, Shuangping Liu & Jian Mao
食品标签
其他酱腌/发酵食品 品质、结构与理化性质 过程控制与数字化 过程监测与在线检测计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 多模态/融合数据背景:发酵食品是通过微生物发酵加工而成的产品,以其独特的风味受到全球消费者的广泛喜爱。随着工业技术的进步和消费者需求的增长,现代技术正逐步融入发酵食品的生产和质量控制中,以提高生产效率和产品质量。在这些创新中,计算机视觉技术尤为突出。
研究范围与方法:本文概述了计算机视觉在发酵食品领域的应用,重点介绍了其在食品行业中的技术算法和应用。文章概述了计算机视觉技术在不同类型发酵食品中的具体用途,并讨论了所采用的相关技术。最后,本综述强调了自适应学习和多模态融合在解决当前计算机视觉用于发酵食品监测的局限性方面所具有的变革潜力。
主要发现与结论:计算机视觉技术的采用显著提高了发酵食品生产过程中质量控制流程的效率和准确性。通过非接触式实时监测,研究人员可以快速识别发酵过程中微生物及相关参数指标的动态变化,并评估其对食品质量的影响。这些技术不仅提高了发酵食品的生产效率,还加强了对产品风味和安全评估的控制。尽管在技术实施和数据分析方面仍存在挑战,但深度学习和图像处理技术的持续进步有望增加计算机视觉在发酵食品领域的影响力,推动行业可持续发展。 -
基于机器学习的柔性发光传感器用于海鲜中抗生素分布的无损检测
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Lidong Wu, Yuanxin Li, Xueping Xiang, Haiyang Qin, Jinxue Zhao, Xuejing Zhang & Peiyi Li
食品标签
化学污染物 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 缺陷/异物检测与定位 可见光/RGB/视频数据快速、同步且无损地识别食品中抗生素分布对公共卫生至关重要。本文提出一种基于机器学习增强的发光水凝胶传感器(LHS)的新型抗生素分布图谱构建方法。该LHS由掺入发光铕离子(Eu³⁺)的水凝胶基质构成,在接触四环素(TC)时会发生色度变化。通过智能手机捕获这些发光光谱变化数据,并用于训练卷积神经网络(CNNs),最终实现了对浓度分布模式的识别与定量分析,准确率超过92%。该LHS对TC的线性检测范围为5∼100 μg/L,检测限达0.58 μg/L。经训练的LHS-CNN系统能够同步绘制动物源性食品横截面或湿润动物皮肤上的TC分布图谱,这种应用场景高度模拟了真实复杂的环境条件。该方法有望推动对食品基质(包括具有曲面的基质)上分子的非破坏性检测与鉴定,且无需富集或额外的样品制备步骤。