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 712 条结果
-
人工智能在食品安全中的应用:从预测模型到现实保障措施
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区P. Balakrishnan, A. Anny Leema, N. Jothiaruna, Purshottam J. Assudani, K. Sankar, Madhusudan B. Kulkarni & Manish Bhaiyya
食品标签
食品安全与风险评估 显微与成像技术 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 分类/鉴别/等级评定 定量预测/回归分析 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 多模态/融合数据食品安全不再仅仅是实验室里的问题,它已成为一个现实世界的挑战,影响着从农民、商贩到监管者和消费者的每一个人。随着人们对牛奶、食用油、水果和即食食品等日常食品中存在的掺假、腐败和污染问题的担忧日益加剧,传统的检测方法往往难以满足需求——这些方法速度太慢、成本太高,而且并非为实时检测而设计。本文综述探讨了人工智能(AI)和机器学习(ML)如何在这一领域发挥变革性作用。我们重点介绍了一些真实案例,其中AI模型与光谱学、智能传感器和计算机视觉等工具相结合,能够快速且准确地检测出食品欺诈和腐败问题。除了技术层面,我们还讨论了数据缺口、模型可信度以及农村地区可负担性等挑战,同时提出了联邦学习和低成本AI设备等具有前瞻性的解决方案。本文综述对食品科学家、质量保证专业人员、技术开发者、政策制定者以及致力于构建更安全、更智能食品体系的初创企业而言,都将具有特别重要的价值。它是一份将AI创新转化为现实世界食品安全解决方案的实用指南。
-
油菜籽射频加热均匀性优化:机理建模与机器学习的集成方法
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Jilong Gao, Yu Liu, Jingfang Ao, Shaojin Wang, Jiajia Chen & Long Chen
食品标签
豆类与坚果(及籽类) 物理辅助加工计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析射频(RF)加热均匀性仍然是其商业化应用的关键挑战,当前的优化方法受限于耗时的实验、机理模型中复杂的参数耦合以及机器学习(ML)可解释性差等问题。为解决这些问题,我们提出了一个创新的“机理建模-ML优化-机理解释”闭环集成框架。首先,通过一个经过验证的油菜籽射频加热机理模型生成数据集(输入参数:物料密度、电极间隙、物料高度和位置;输出参数:温度均匀性指数[TUI])。比较了四种ML算法(随机森林、K近邻、极限梯度提升、梯度提升决策树[GBDT]),选定GBDT为最优算法,并使用优化与非优化参数进行了实验验证。最后,机理模型通过电场分布对优化机制进行了深入解释。结果表明,机理模型具有较高的实验吻合度和准确性。在该机理模型中,物料密度、电极间隙、物料高度和位置作为输入参数,TUI作为数据集生成的输出。基于该数据集的优化表明,梯度提升决策树的性能优于其他算法;其可靠性通过优化与非优化参数的实验得到了验证。因此,机理模型通过分析ML优化参数下的电场分布,实现了对优化机制的可解释性分析,揭示了提升TUI的物理基础。所提出的框架克服了机理建模数据利用率低和ML可解释性差的挑战,实现了射频加热均匀性的高效优化,并推动了射频加热技术的工业应用。
-
机器学习驱动的发酵苹果-雪莲果功能饮料中硒生物转化和风味分析的多模态优化
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Tao Guan, Jue Gong, Jiaxi Lin, Chella Perumal Palanisamy, Jinjin Pei & A.M. Abd El-Aty
食品标签
果蔬饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 微生物与发酵实验 矿物质与微量元素计算机标签
机器学习/统计学习 定量预测/回归分析本研究构建了一套人工智能优化框架,用于富硒雪莲果苹果汁的发酵工艺优化。研究结合响应面法与极端梯度提升模型,确定了最优工艺参数:发酵温度 34.8℃、苹果与雪莲果配比 1:2.2、酶添加量 0.65 克 / 升。在此条件下,硒转化率达 89.78%,活性物质产量可观,其中多糖含量为 149.42 毫克 / 100 毫升,黄酮含量为 1.250 毫克 / 毫升。相较于传统响应面法,极端梯度提升模型预测精度更优,决定系数R2达 0.953;同时明确了植物乳杆菌 YKX 菌株活性的关键温度区间为 34~35℃。采用顶空气相色谱 - 离子迁移谱技术分析风味物质变化,结果显示:发酵第 4 天时,乙酸乙酯等酯类物质含量提升 442%,与感官品质改善呈显著正相关(相关系数r=0.91),而醛类物质含量下降 23%。多模态机器学习分析表明,多糖代谢与风味提升密切相关(R2=0.927),并确定硒转化的关键时段为发酵 12~24 小时,转化速率为 1.52%/ 小时。该研究将经验式工艺优化与可解释人工智能技术相结合,为功能性食品产业化生产提供了可行指导方案,如温度管控误差控制在 ±0.5℃、酶制剂协同使用等。研究同时指出,受数据集规模限制,后续可结合传感设备开展动态监测。该技术方案推动了精准发酵技术的发展,可让富硒饮品在营养素生物利用率、风味层次及活性物质留存之间实现协同兼顾。
-
AI 赋能分子编辑为农药发现开辟新方向
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Wei Wang, Yu Chen, Dao-Hong Gong, Run-Jiang Song, Lang Pan, Heng-Zhi Wang, Lian-Yang Bai, W.M.W.W. Kandegama, Pradeepa C. Gunathilake Bandaranayake, Lei Lian, & Ge-Fei Hao
食品标签
复合/即食/餐饮食品 化学污染物 其他特殊成分计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主数字技术快速发展,为农药发现提供了关键工具,对农业生产力和粮食安全具有重要意义。其中,分子编辑器已成为该领域的基础性工具。然而,现有分子编辑器仍缺乏用于优化计算机辅助农药发现的高级功能。本文提出三项增强方向:生成具有实践可行性的候选分子合成策略;借助 AI 技术生成二维结构分子;基于二维结构分子寻找可能的可靶向口袋和位点。作者认为,这些观点有助于推动 AI 驱动分子编辑进一步发展,使其更好地服务农药发现。
-
食品与农产品地理来源追溯中机器学习的最新进展:综述
查看原文2025
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Jiali Li, Jianping Qian, Jinyong Chen, Luis Ruiz-Garcia, Chen Dong, Qian Chen, Zihan Liu, Pengnan Xiao & Zhiyao Zhao
食品标签
食品安全与风险评估 其他过程控制与数字化研究计算机标签
机器学习/统计学习 分类/鉴别/等级评定食品和农产品的地理来源可追溯性已引起全球关注。特别是随着机器学习(ML)技术的兴起,它为以往难以解决的食品和农产品来源识别问题提供了尖端解决方案。通过利用先进的算法,机器学习能够提取与来源密切相关的食品和农产品的特征信息,并更准确地识别和追溯其来源,这对整个食品和农业行业具有重要意义。本文全面概述了机器学习在食品和农产品地理来源可追溯性方面的最新应用。首先,总结了常用的机器学习方法。然后,本文概述了构建基于机器学习的可追溯性模型的建模准备、模型训练以及模型评估的整个过程。最后,回顾了机器学习结合不同可追溯技术在食品和农产品领域的近期应用。尽管机器学习在解决食品和农产品地理来源可追溯性问题上取得了诸多成就,但它仍有巨大的发展潜力。例如,在利用DNA或计算机视觉技术进行地理来源可追溯方面,机器学习的应用尚不充分。机器学习预测食品和农产品地理来源的能力还有待进一步提高,比如通过增强模型的可解释性、采用数据融合策略等方式。