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 339 条结果
-
推进减盐技术:用于下一代低钠食品配方的淀粉基乳液凝胶系统的人工智能辅助结构设计
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Weihao Meng, Yuqiao Ren & Song Miao
食品标签
特征风味 感官评价与方法学 过程优化与控制策略 体外消化模型 碳水化合物与糖类 盐替代品与其他代谢敏感因子计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 设计/生成与推荐背景:盐是影响食物口感和品质的关键因素,但过量摄入会增加健康风险。通过淀粉基乳液凝胶的结构设计可以调节咸度感知,从而减少盐的摄入量。然而,目前缺乏关于淀粉基乳液凝胶的结构与咸度感知关系,以及新兴的人工智能(AI)辅助设计方面的综述。
范围与方法:本研究综述了淀粉基乳液凝胶的最新研究进展,探讨了在口腔加工过程中结构设计对咸度感知的影响。此外,还包括利用人工智能分析和预测食物结构与咸度感知的关系,以及淀粉基乳液的应用前景和未来研究趋势。
主要发现与结论:通过对淀粉基乳液凝胶进行结构设计,可以有效调节其在口腔中的盐释放行为,从而增强咸度感知。盐的释放效率受油含量、流变特性、质构特性、微观结构、形态以及钠离子与食物基质之间的相互作用影响。此外,人工智能辅助设计淀粉基乳液凝胶在更精确地调控咸度感知方面显示出巨大潜力。另外,淀粉基乳液凝胶在肉制品、奶酪和蛋黄酱等实际食物基质中的应用仍需进一步探索。本综述聚焦于人工智能辅助淀粉基乳液凝胶结构设计以增强咸度感知的最新进展,阐明了结构与咸度感知之间的关键关系,这对促进公众健康和食品工业的发展具有重要意义。 -
人工智能在食品感官评价进展中的应用
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Du-Min Jo, Seo-Jin Han, Seok-Chun Ko, Kyung Woo Kim, Dongwoo Yang, Ji-Yul Kim, Gun-Woo Oh, Grace Choi, Dae-Sung Lee, Nazia Tabassum, Young-Mog Kim & Fazlurrahman Khan
食品标签
感官评价与方法学 消费者偏好与接受度计算机标签
机器学习/统计学习 深度学习 大模型与 LLM 分类/鉴别/等级评定 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 质构/流变/感官数据 多模态/融合数据背景:人工智能(AI)正日益融入食品科学中的感官评价,以克服传统方法的局限性,如主观性、可变性以及对人工评审组的依赖。通过整合化学分析、成像和消费者反馈的数据,人工智能能够对味觉、香气、质地和外观等感官属性进行更客观、可重复且可扩展的评估。
范围与方法:本综述全面概述了人工智能在食品感官评价中的应用。它涵盖了关键的人工智能技术,如机器学习、计算机视觉、自然语言处理和智能传感器,以及它们在预测、模拟和个性化感官属性方面的作用。重点介绍了人工智能通过数据驱动建模、多模态整合和数字模拟对感官分析带来的变革。此外,还探讨了在感官科学中采用人工智能所涉及的伦理和技术挑战。
主要发现与结论:人工智能通过将分析数据与消费者的感官反应相联系,实现了对人类感官感知的高级建模。机器学习和深度学习有助于对感官特征进行预测分析;计算机视觉和电子传感技术可模拟人类的视觉和化学感知;自然语言处理能从消费者生成的内容中提取见解。这些技术还支持实时、个性化的感官体验。尽管人工智能为食品设计和评价领域的创新提供了强大工具,但数据质量、模型透明度和伦理使用等问题必须得到解决。本综述强调,需要跨学科合作,以确保基于人工智能的感官系统朝着包容性强、可解释且以人为本的方向发展。 -
基于人工智能的新鲜果蔬加工前智能前处理研究进展与应用前景
查看原文2025
Food Research International
中科院一区JCR一区Yaxin Zhou, Min Zhang, Jinjin Huang & Chung Lim Law
食品标签
水果/蔬菜与菌菇类/植物类 加工与新加工技术 显微与成像技术计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据果蔬加工前处理是加工过程中的关键步骤,直接影响到后续加工产品的品质、口感、营养保留和生产效率。传统的果蔬前处理技术多依赖人工经验和简单机械操作,导致效率低下、精度难以保证等问题。将人工智能技术整合到果蔬前处理中,有望克服传统技术的局限性。本文介绍了几种主要的人工智能技术,如机器学习、深度学习和人工神经网络,及其相关的应用场景,如计算机视觉系统和电子鼻,并综述了人工智能在果蔬分选、分级、清洗、去皮、切割、护色和漂烫等前处理环节的研究进展与应用前景。目前,人工智能技术已能实现果蔬的自动分选、缺陷精准识别及相关参数的预测与优化,充分展示了其在果蔬加工中的潜力。未来,随着多学科融合的深入,人工智能有望实现预处理一体化的自动控制,从而推动果蔬加工产业向智能化方向迈进。本研究为进一步探索人工智能在果蔬加工前处理中的应用提供了理论依据和实践参考。的食品真实性鉴别具有实际可行性。
-
咖啡阿拉伯种鉴定:基于人工神经网络和数据融合的近红外和紫外-可见光谱比较多光谱判别
查看原文2025
Food Frontiers
中科院一区JCR一区Vanessa Moll, Krzysztof B. Beć, Lara Handle, & Christian W. Huck
食品标签
咖啡饮料 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据阿拉比卡咖啡(学名:Coffea arabica L.)被认为是品质最高的咖啡品种,其产量占全球咖啡总产量的大部分。其品种中包括一些稀有且昂贵的咖啡种类;因此,阿拉比卡咖啡容易受到欺诈行为的影响。目前,有一些方法能够精确区分主要的商业咖啡品种(阿拉比卡和罗布斯塔)。然而,阿拉比卡咖啡的基因多样性非常有限,通过光谱学对其进行所属品种的鉴定尚未被证明是可行的。本研究旨在超越当前的先进水平,评估一种多光谱方法来区分最重要的阿拉比卡品种(特提卡和波旁)的成品咖啡豆的可能性。光谱分析通过台式近红外(NIR;1000–2500 纳米)、台式紫外-可见(UV-Vis;200–1000 纳米)和手持式可见-近红外(350–2500 纳米)光谱仪进行,与非线性分类技术(包括人工神经网络(ANNs))相结合。此外,还评估了低水平(LLDF)和中水平(MLDF)数据融合以及变量选择(VS)方法在预测性能方面的表现。本研究成功地证明,通过一种快速的多光谱方法(包括现场直接分析),可以将亲缘关系密切的阿拉比卡咖啡品种区分开来。近红外区域能够对阿拉比卡咖啡进行精确分类(准确率在 94%至 98%之间),可见近红外(88%至 93%)和紫外-可见(82%至 93%)区域的分类效果也相当好,但仍需进一步改进。然而,将可见近红外区域和紫外-可见区域的 LLDF 结合使用,并与 VS 结合,被证明是进一步精确认定咖啡品种的有力工具,其分类准确率非常高(91%至 97%)。
-
利用机器学习预测环境条件与海水及牡蛎中弧菌浓度的关系
查看原文2024
Food Research International
中科院一区JCR一区Shuyi Feng, Shraddha Karanth, Esam Almuhaideb, Salina Parveen & Abani K. Pradhan
食品标签
软体与贝类 食品安全与风险评估计算机标签
深度学习 支持向量机 随机森林 K-近邻 梯度提升决策树 定量预测/回归分析副溶血弧菌和创伤弧菌是对公众健康有重大影响的细菌。识别影响它们在食品源中存在和浓度的因素,有助于确定重要的风险因素并预防食源性疾病的发生。近年来,机器学习在基于主要外部和内部变量(如环境变量和基因存在/缺失)模拟微生物存在方面显示出潜力,特别是在大量和多样化数据来源产生和可用的背景下。此类分析可用于预测食品系统中微生物的行为,尤其是在环境变量持续变化的影响下。在本研究中,我们测试了六种机器学习回归模型(随机森林、支持向量机、弹性网络、神经网络、K最近邻和极端梯度提升)在预测环境变量与海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌、总创伤弧菌和致病性创伤弧菌浓度之间关系方面的有效性。总体而言,使用我们的机器学习模型分析时,环境变量被证明是海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌和创伤弧菌浓度的可靠预测因子(对于海水中的总副溶血弧菌、致病性副溶血弧菌以及牡蛎中的致病性副溶血弧菌,其可接受预测区>70%)。用于识别影响弧菌浓度变量的SHapley Additive exPlanations方法,确定了叶绿素a含量、海水盐度、海水温度和浊度为有影响力的变量。需要指出的是,不同菌株受同一环境变量的影响不同,这表明需要进一步研究这些变异的原因和潜在机制。总之,环境变量可能是海鲜中弧菌生长和行为的重要预测因子。此外,本研究开发的模型对于评估和管理与副溶血弧菌和创伤弧菌相关的风险,尤其是在环境变化的背景下,可能具有不可估量的价值。