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
-
基于铜-碳氮单原子纳米酶的智能手机辅助超灵敏比色策略用于油炸食品中丙烯酰胺的检测
查看原文2025
Food Chemistry
中科院一区JCR一区Jia Ge, Xiaoyu Sun, Xinxin Li, Yu Yang, Lin Zhang, Lingbo Qu & Zhaohui Li
食品标签
糖、焙烤与糖果制品 化学污染物 显微与成像技术 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据在此,我们构建了一种基于铜-碳氮单原子纳米酶(Cu-CN SANs)的新型比色策略,用于丙烯酰胺检测。Cu-CN SANs具有优异的氧化酶模拟活性,能有效催化底物TMB氧化,生成蓝色产物。谷胱甘肽(GSH)会抑制Cu-CN SANs对TMB的氧化作用。然而,丙烯酰胺的加入会使GSH与丙烯酰胺发生高效的硫烯迈克尔加成反应,从而恢复Cu-CN SANs对TMB的氧化能力。所建立的方法可在0.05–15μM的线性范围内检测丙烯酰胺,检测下限(LOD)低至15.4nM,相对标准偏差(RSD%)低于4.3%。将该生物传感器应用于实际样品检测时,对面包、饼干和薯片样品中丙烯酰胺的分析回收率达到95.3–103.6%,结果令人满意。此外,将该传感器与智能手机集成后可实现现场检测,检测下限为146nM。
-
融合人工智能与检测技术、物联网及区块链实现从农田到餐桌的食品真伪鉴别与追溯
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Zhaolong Liu, Xinlei Yu, Nan Liu, Cuiling Liu, Ao Jiang & Lanzhen Chen
食品标签
食品安全与风险评估 过程控制与数字化 光谱/色谱/质谱等分析方法计算机标签
分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据背景:确保食品的真实性与可追溯性是减少食品欺诈、保障公众健康和建立消费者信任的基础,也是全球食品安全的基石。随着食品供应链日益复杂,人工智能(AI)与物联网(IoT)和区块链技术相结合,在提高检测精度、增强透明度以及应对食品可追溯性关键挑战方面发挥着关键作用。
范围与方法:本文全面综述了人工智能在食品安全中的应用,重点关注光谱学、质谱、成像和基于传感器的检测技术。同时,探讨了人工智能与物联网及区块链的融合,强调了它们在构建安全、透明和可扩展的追溯框架方面的潜力。此外,本研究还探讨了这一集成框架如何推动食品工业4.0的发展,实现自动化、实时监控和互联供应链。最后,本文讨论了当前面临的挑战,并对推进人工智能驱动的食品真伪检测与追溯系统提出了展望。
主要发现与结论:人工智能、物联网和区块链的融合促进了跨平台兼容性和可扩展性,优化了供应链数据收集,并加强了追溯信息的安全性。人工智能-物联网-区块链框架的快速发展正在推动食品工业4.0的演进,促进高精度分析、自动化、成本效益和质量控制方面的进步,从而提升食品安全与透明度。 -
基于机器学习的图像分析在胶体体系中定量检测微观液滴
查看原文2025
Food Hydrocolloids
中科院一区JCR一区Jens Saalbrink, Tricia Y.J. Loo, Julia Mertesdorf, Peidi Xu, Mie T. Pedersen, Mathias P. Clausen & Jose C. Bonilla
食品标签
乳化剂/稳定剂/增稠剂 微观结构与成像 显微与成像技术计算机标签
图像分割网络 定量预测/回归分析 可见光/RGB/视频数据不同的机器学习算法已被应用于各类食品胶体系统的显微图像分析,针对通过不同显微成像模式获取的各种显微照片进行目标分割研究。这些算法的分割效果均与人工手动分割及传统强度阈值分割法进行了对比验证。研究表明,机器学习算法的准确度会因采用的显微成像类型及图像其他特征而异。本研究成果开发出一套名为MIDAS的图像分析工作流程,该流程能对各种显微图像中的胶体系统液滴实现跨图像类型分割,特别针对同一图像内存在显著尺寸差异的液滴进行了量化优化设计。除分割功能外,该工作流程还整合了对图像中所有液滴的量化数据提取能力。本文演示了如何利用这些数据开展关于空间分布和液滴形状的不同定量分析,并展示了该工作流程如何在双乳液等复杂体系中实现嵌套液滴的分割与量化。MIDAS图像分析工作流程已作为开源代码在在线资源库发布,其精准的图像分析实施将助力食品胶体与食品结构研究领域获取新的突破性数据。
-
利用反应指纹识别法估算鸡样本的照射剂量
查看原文2025
Food Chemistry
中科院一区JCR一区Anna V. Shik, Irina A. Stepanova, Marina V. Koksharova, Irina A. Doroshenko, Tatyana A. Podrugina, Ulyana A. Bliznyuk, Polina Yu. Borshchegovskaya, Alexander P. Chernyaev, Irina A. Ananieva, Igor A. Rodin & Mikhail K. Beklemishev
食品标签
禽肉 显微与成像技术计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据工业规模的食品辐照需要开发快速且廉价的辐照后剂量估算方法。这一问题的新兴解决方案是基于反应的光学传感策略,该策略基于监测剂量依赖的指示反应。本研究中,三家生产者的生鸡胸肉样品被1 MeV加速电子照射,用水提取24小时,并引入氢的氨基氰染料反应2O2或者次氯酸盐。不同光谱范围下反应混合物的吸收率和荧光,随时间的函数被摄影测量。监督机器学习方法使得能够自信地区分250、1000和5000 Gy照射样品与未辐照样品,前提是已知剂量的样品来自与未知样品相同的生产者。对于来自未知生产者的样本,可以通过构建数据库来实现来自未知生产者的剂量估计。
-
利用人工智能推动水稻/小麦功能性食品研发的进展
查看原文2025
Food Research International
中科院一区JCR一区Fangye Zeng, Min Zhang, Chung Lim Law & Jiacong Lin
食品标签
小麦 大米 加工与新加工技术 营养与生物功能 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 大语言模型 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据近年来,在全球食品消费增长和消费者对更健康、更安全食品需求增加的驱动下,水稻和小麦功能性食品的研发(R&D)引起了食品研究者的广泛关注。人工智能(AI)通过其解决问题和决策支持的能力,具有提升效率、质量和安全性的潜力。本文全面概述了人工智能相关技术在食品工业中的应用,包括机器学习、大语言模型、计算机视觉和智能传感器。随后,文章探讨了过去五年(2020–2024)人工智能在水稻/小麦功能性食品研发中的具体应用,涵盖关键主题如作物种植与筛选、食品加工、食品质量与安全、挑战与未来展望。人工智能技术的引入引领该领域朝着更高效率、无损分析、更好鲁棒性和更强稳定性的方向发展。在实际应用中,将人工智能技术与各种光谱和传感技术相结合,在解决作物产量低、谷物功能性营养不足、过度加工以及传统检测方法造成的生态污染等关键问题上显示出巨大潜力。然而,人工智能在该领域的应用仍面临一些挑战,包括应用范围窄、数据可用性有限、应用成本高以及与信任相关的问题。展望未来,随着人工智能应用场景和功能的不断拓宽,人工智能有望成为颠覆性技术,从根本上改变水稻/小麦功能性食品研发的格局。