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
-
基于人工智能的水果蔬菜干燥系统多目标优化:全面综述
查看原文2025
Food Research International
中科院一区JCR一区Yujuan Zhong, Min Zhang, Min Feng, Gennady Semenov & Dongxing Yu
食品标签
水果/蔬菜与菌菇类/植物类 干燥设备 干燥保藏 过程监测与在线检测计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据水果蔬菜水分含量高、营养丰富,但易腐败且货架期短。干燥是延长货架期和减少资源浪费的关键技术。然而,传统干燥方法受到效率低、能耗高和产品质量不稳定的限制。人工智能凭借其自学习、自适应能力和模拟复杂非线性关系的能力,为应对这些问题提供了创新解决方案和有效工具。本文全面综述了人工智能在水果蔬菜干燥中的应用。首先,我们介绍了机器学习、深度学习、模糊逻辑、专家系统和计算机视觉系统的基本理论及其在水果蔬菜干燥中的应用优势。随后,详细阐述了人工智能在干燥过程建模与预测、实时质量监测以及智能控制与优化方面的案例研究,并讨论了其在优化传统干燥和与场辅助干燥技术结合方面的应用。此外,分析了人工智能在水果蔬菜干燥中的局限性及未来发展趋势,为该领域的研究人员提供更多见解。
-
基于 Kmeans 和极限学习机的整个稻米加工链风险评估模型
查看原文2025
LWT
中科院一区JCR一区Bojian Qi, Xinyue Ma, Jiabin Yu, Jiaxin Dong, Xiaoyu Cui, Xin Zhang, Yangguang Cai, & Zhiyao Zhao
食品标签
大米 暴露评估与风险表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定稻米加工链在稻米供应链中起着至关重要的作用,因此对其主要污染物的风险评估是必不可少的。现有方法通常依赖于主观权重的确定,且未能考虑指标的特性,导致结果不合理。此外,这些模型存在鲁棒性差和精度低的问题。本文提出了一种基于K-means和极限学习机(ELM)的风险评估方法,利用多级风险指标体系。通过将毒理学特性纳入熵权,获得加工链的综合风险指标。K-means算法用于对指标进行聚类以划分风险等级,而ELM则用于评估。在75个含有六种污染物(铅、镉、汞、黄曲霉素B1、玉米赤霉烯酮和脱氧雪腐镰刀菌烯醇)的稻米加工数据集上验证,该方法实现了93%的风险分类准确率,优于反向传播(BP)和径向基函数(RBF)方法。这一方法突显了人工智能在提升食品安全和监管中的作用,支持农业数字化转型中的决策制定和快速响应。
-
通过人工智能优化高水分肉类仿制品的质地:山梨醇在大豆蛋白浓缩物混合物中的作用
查看原文2025
LWT
中科院一区JCR一区Saqib Gulzar, Mohamed Tagrida, Olga Martín-Belloso, & Robert Soliva-Fortuny
食品标签
豆类与坚果(及籽类) 蛋白质配料 质构与流变性质 质构与流变测试 蛋白质与氨基酸 糖醇类计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据本研究探讨了山梨醇对以大豆蛋白浓缩物为基础的高水分肉类仿制品(SPC-HMMA)质构特性的影响,采用了一种结合人工智能(AI)和遗传算法(GA)的新方法,以模仿鸡肉和牛肉的质地,旨在开发具有定制质构特性的肉类仿制品。该方法允许同时调整多个参数,有效捕捉在挤出过程中原料与加工条件之间复杂的非线性相互作用。在优化的螺杆速度和温度下,对不同山梨醇浓度和水分含量的SPC进行了挤出加工。纹理剖面分析(TPA)显示,硬度值从0%山梨醇时的3893 ± 308克降低到20%山梨醇时的421 ± 54克,而切割强度值在0%山梨醇时横向为5951 ± 544克,20%山梨醇时为1754 ± 134克。水分含量在SPC-HMMA的纹理特性中起着重要作用,较低的水分会产生更硬、更嚼劲的类产品。扫描电子显微镜(SEM)显示微观结构发生变化,而FTIR光谱和解卷积分析表明蛋白质二级结构发生显著改变。随着山梨醇含量的增加,烹饪产率从142.56 ± 1.5%增加到168.54 ± 2.12%,吸水能力从329.41 ± 5.16%增加到464.67 ± 5.28%,而吸油能力则从120.84 ± 1.89%下降到93.39 ± 1.82%。
-
使用高光谱成像和机器学习对枣浆中的蔗糖、脯氨酸、灰分及果糖/葡萄糖比进行无损预测
查看原文2025
LWT
中科院一区JCR一区Mohammad Hossein Nargesi, & Kamran Kheiralipour
食品标签
果蔬汁/浓缩汁 品质、结构与理化性质 显微与成像技术 矿物质与微量元素 蛋白质与氨基酸 碳水化合物与糖类计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 定量预测/回归分析 高光谱/多光谱光谱枣糖浆是枣类水果的副产品之一,富含营养和抗氧化剂,并在食品工业中有多种应用。通过实验室方法测量化学成分具有破坏性,并且需要高成本和熟练的操作人员。本研究的目的是使用高光谱成像作为一种新的、无损、快速且简单的技术来预测枣糖浆的化学成分。准备了糖浆样品,并测量了蔗糖、脯氨酸、灰分及果糖/葡萄糖比值。高光谱成像系统捕捉样品在400-950纳米波长范围内发射的光,并将其存储为高光谱图像。为了处理这些图像,在MATLAB软件中开发了一种算法。主成分分析用于识别最有信息量的波长。在从这些选定波长的图像通道中提取特征后,选择了高效特征,并使用偏最小二乘回归、支持向量回归和人工神经网络方法进行预测。人工神经网络对成分的预测准确率(分别为99.99%、100%、99.99%和100%)高于偏最小二乘回归(分别为98.98%、97.25%、98.98%和96.70%)和支持向量回归(分别为98.09%、98.92%、98.95%和72.20%)方法。本研究结果证明了高光谱成像和神经网络在估算枣浆化学成分方面的高能力。
-
利用高光谱成像技术和可解释人工智能评估瓜楼子质量
查看原文2025
LWT
中科院一区JCR一区Dan Xiao, Ruibin Bai, Siman Wang, Youyou Wang, Qingxiu Hao, Ling Dong, Weiwen Li, & Jian Yang
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱陈年和新鲜的挂楼子(GLZ)掺假对产品质量和消费者健康构成风险。本研究旨在通过将高光谱成像(HSI)与可解释人工智能(XAI)相结合,开发一种快速、无损且高通量的GLZ质量评估方法。首先,从存储时间不同的两个样品组--万楼20号(GLZ-20)和万楼9号(GLZ-9)--收集光谱数据。对全波长预处理光谱数据用于构建分类模型。然后,将Shapley加性解释(SHAP)应用于模型进行全局可解释性分析,以选择特征波长。结果表明,基于SHAP的特征选择优于传统方法。使用前16个和23个SHAP选择的波长的模型,在预测集中对GLZ-20和GLZ-9的预测准确率分别达到了97.2%和98.3%。在验证集I中,准确率达到97.7%和98.9%。在验证集II中,两种品种的预测误差均低于3.3%。此外,基于SHAP的模型解释揭示了特征波长与样品特性之间的内在关系,从而提高了判别结果的可靠性。本研究确认了将高光谱成像(HSI)与可解释人工智能(XAI)结合用于GLZ质量评价的可行性,并为种子型坚果的评估提供了参考框架。