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 48 条结果
-
利用太赫兹成像技术和深度学习检测小麦杂质
查看原文2025
LWT
中科院一区JCR一区Yuying Jiang, Mengdie Jiang, Tauseef Abbas, Hongyi Ge, Xixi Wen, & Hao Chen
食品标签
小麦 食品安全与风险评估 其他安全问题 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
目标检测网络 缺陷/异物检测与定位 高光谱/多光谱光谱 可见光/RGB/视频数据在小麦收割和运输过程中,各种杂质常常混入小麦中,这不仅影响其质量,还对食品安全构成威胁。传统的小麦杂质检测方法存在检测时间长、准确率低以及对样品造成不可逆损伤等问题。为了解决这些挑战,本文利用太赫兹(THz)波的优势,包括穿透力强、成像分辨率高和无损检测,并提出了基于YOLOv9的小麦杂质分割模型YOLO-seg。该模型能够实现小麦杂质的快速、无损和准确分割。模型使用自建的小麦杂质数据集进行训练,并验证了其在杂质识别和分割方面的性能。YOLO-seg 在识别性能上优于其他模型,实现了 mAP 50、mAP 50:95、精确率、召回率和 F1 分数分别为 95.4%、72.8%、90.6%、92.1% 和 91.4%。相比 YOLOv9,这些指标分别提升了 3%、1.4%、4%、3.8% 和 4%。结果表明,YOLO-seg 与太赫兹成像技术的结合,为小麦杂质识别提供了一种高效、精准且非破坏性的方法。该模型架构具有广泛适用性,可扩展至其他作物的杂质检测,为农业质量控制提供了新颖的技术解决方案。
-
人工智能加速鉴定抑制禾谷镰刀菌的新型抗菌肽
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Yue Ran, Sen Li, Ying-Jie Wang, Jian-Hua Liang, Wei Jiang & Ming-Jia Yu
食品标签
小麦 食品安全与风险评估 抗氧化/抗炎等功能 微生物安全 常规理化指标测定 其他统计建模方法 蛋白质与氨基酸计算机标签
机器学习/统计学习 梯度提升决策树 分类/鉴别/等级评定 组学数据 合成/仿真数据为主禾谷镰孢菌引起的镰孢菌赤霉病威胁着全球小麦的产量,导致大幅减产和霉菌毒素的积累。本研究利用机器学习加速发现针对这种植物病原体的抗真菌肽。通过开发一个从头设计的抗菌肽数据库,并提取六个关键的物理化学特征,我们建立了四个预测模型,其中 XGBoost 模型表现更优(R2 = 0.77,RMSE = 1.8)。机器筛选出的肽 TP 在 13.33 μM 浓度下几乎完全抑制了禾谷镰孢菌。分子动力学模拟阐明了其作用机制,包括静电相互作用,随后是疏水插入以及与肌球蛋白结合从而破坏细胞功能。这项工作突显了机器学习框架在农业抗菌剂开发中的范式转变,通过数据驱动的生物技术实现。
-
电子鼻技术用于软小麦中麦角生物碱检测及通过固相显萃/气相色谱高分辨率轨道阱质谱结合化学计量法鉴定相关挥发性化合物
查看原文2025
Food Chemistry
中科院一区JCR一区Maurizio Piergiovanni, Chiara Giliberti, Cristian Maffezzoni, Davide Errico, Massimo Blandino, Chiara Dall'Asta, Monica Mattarozzi, Federica Bianchi, Marco Giannetto & Maria Careri
食品标签
小麦 化学污染物 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他植物化学物质计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 时序传感器/物联网数据 组学数据麦角生物碱(EA)是由紫麦角菌产生的真菌毒素,该菌种常侵染多种谷物,危害食品安全。本研究探究电子鼻精准预测小麦麦角生物碱污染水平的应用潜力,通过概念验证证实该技术结合有监督算法可有效区分超标污染小麦样本与合规小麦样本。其中,偏最小二乘判别分析(PLS-DA)对样本的平均正确分类率达95.5%。此外,本研究首次将基于顶空固相微萃取-气相色谱-轨道阱高分辨质谱(HS-SPME/GC–Orbitrap HRMS)与化学计量学相结合的挥发组学技术用于表征不同麦角生物碱污染程度小麦样本的挥发性物质特征,并重点分析次级挥发性代谢物。研究整体实现低于1 ppm的质量精度,保障化合物鉴定结果高可信度。采用无监督主成分分析(PCA)开展样本区分,共筛选出19种差异特征标志物,其中部分物质为紫麦角菌生长过程中释放的代谢产物。
-
一种基于CoFe2O4@Au纳米粒子的电化学/比色双模传感器,用于检测农产品中的AFB1及智能手机成像
查看原文2025
Food Chemistry
中科院一区JCR一区Wenpeng Jiang, Wenli Zhu, Qingli Yang, Wei Wu & Xiudian Hou
食品标签
小麦 玉米 豆类与坚果(及籽类) 微生物安全 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据本文构建了一种电化学-比色双模式传感器,利用钴铁氧体@金纳米复合材料以及发夹DNA结构的构象变化,实现黄曲霉毒素B1的特异性检测。钴铁氧体@金纳米复合材料表现出优异的类过氧化物酶活性。在比色检测模式下,可借助智能手机实现检测结果可视化。该传感器电化学检测线性范围为0.001~100纳克每毫升,紫外-可见光谱检测线性范围为0.05~100纳克每毫升,智能手机检测线性范围为0.1~100纳克每毫升。在花生、玉米和小麦样品中,基质效应值为91.03%~112.96%。本研究为开发双模式传感器、提升实际样品检测准确度提供了新的研究思路。
-
T10SLRE:一种利用近红外光谱快速无损预测小麦面包体积的新型集成学习方法
查看原文2025
Food Chemistry
中科院一区JCR一区Lei Li, Wenfei Tian, Zihui Zhao, Yonggui Xiao, Yong Zhang, Jindong Liu, Velu Govindan, Zhonghu He & Maria Itria Ibba
食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据 大规模数据集面包体积是衡量小麦加工品质的关键指标,但传统的面包制作测试既费力又耗时。本研究评估了近红外光谱结合机器学习快速预测面包体积的方法。将5003份小麦样本数据集分为4002份用于模型训练,1001份用于独立测试。传统回归模型和卷积神经网络在测试集上的决定系数(R²)为0.70至0.73,均方根误差(RMSE)为23.29至25.08毫升/100克。我们提出了一种新颖的前10%抽样线性回归集成(T10SLRE)方法,该方法在不进行光谱预处理或波长选择的情况下,实现了0.74的R²和22.92毫升/100克的RMSE。它还能对面包制作阈值850毫升/100克以下的小麦品系进行分类,准确率达97.90%。这种方法为降低小麦品质评估的成本和工作量提供了实用工具。