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
-
利用自组织映射优化和增强干秋葵的理化和植物化学特性,并开发人工智能预测模型:微波辅助对流干燥技术
查看原文2025
LWT
中科院一区JCR一区Hany S. El-Mesery, Ahmed H. El-Mesiry, Zicheng Hu, Amer Ali Mahdi, Xinai Zhang, Mansuur Husein, & Tilahun Seyoum Workneh
食品标签
果蔬干/果脯/蔬菜干 干燥保藏 品质、结构与理化性质 营养与生物功能 常规理化指标测定 维生素 多酚与黄酮计算机标签
机器学习/统计学习 定量预测/回归分析 小规模数据集本研究通过使用微波辅助对流干燥(MACD)系统,并结合人工神经网络(ANN)和自组织映射(SOM)算法,优化了秋葵片的干燥性能和质量。干燥实验在空气温度为40至60摄氏度、气流速度为0.5至1.5 m/s以及微波功率为100至400 W的条件下进行。ANN模型在90个实验数据集上进行训练,能够准确预测理化和生物活性参数,包括总酚含量(TPC)、总黄酮含量(TFC)、维生素C、复水比、颜色变化(δ E)、收缩率和水活度。模型验证结果显示R²=0.985,RMSE=0.012,优于传统回归模型(R²=0.912)。SOM 算法识别了五个优化区域,其中最佳区域的特征为 60°C、0.3 m/s 和 400 W,从而实现了高质量的保留:维生素 C = 23.9 g/kg,总多酚含量 (TPC) = 14.1 g/kg,总黄酮含量 (TFC) = 4.5 g/kg,回水比 = 4.9。这些结果表明,混合微波-热风加热系统和人工智能建模显著提高了干燥效率,同时保留了营养质量的完整性。所提出的 ANN-SOM 框架为工业干燥机提供了可量化和可迁移的控制策略,从而实现对热敏感食品的智能化和高效节能加工。
-
使用高光谱成像和机器学习进行鸡胚孵化前无损性别鉴定
查看原文2025
Food Control
中科院一区JCR一区Md Wadud Ahmed, Asher Sprigler, Jason Lee Emmert & Mohammed Kamruzzaman
食品标签
蛋类及其制品 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱鸡蛋的无损性别鉴定可以改善动物福利、提高经济效益、减少环境影响,并促进可持续孵化场运营的技术创新。本研究探讨了高光谱成像(HSI)和机器学习用于鸡蛋孵化前性别预测的有效性。开发了多种分类模型,如偏最小二乘判别分析(PLS-DA)、极限梯度提升(XGBoost)、随机森林(RF)和分类提升(CatBoost),在全波长(452-899 nm)范围内进行了评估,并进行了外部验证。评估了多种光谱预处理方法,如标准正态变量变换(SNV)、多元散射校正(MSC)和Savitzky-Golay平滑,用于校准模型开发。此外,还评估了重要的特征选择和模型优化技术,以开发稳健的预测模型。使用35个重要特征,经过SG预处理的CatBoost模型取得了最佳性能,在校准集和验证集上的准确率分别为82.9%和75.5%。该研究展示了HSI和先进机器学习在孵化前对鸡蛋进行性别预测方面的潜力,为新一代家禽业提供了一种非侵入式、精确且高效的解决方案。
-
加工肉制品中的减盐:维持咸味感知的综合策略与机制
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Yingming Xiang, Xueyi Lin, Meixia Zheng, Kaibo Deng, Song Miao, Baodong Zheng & Longtao Zhang
食品标签
肉类/蛋类与水产品 营养与生物功能 感官评价与方法学 消费者偏好与接受度 动力学建模 钠/钾/镁等常量矿物质计算机标签
机器学习/统计学习 深度学习 设计/生成与推荐背景:饮食中钠摄入过多与高血压和心血管疾病密切相关,而加工肉类中的钠是我们日常饮食中的主要来源之一。然而,氯化钠在肉类体系中发挥着关键作用——赋予风味、溶解肌原纤维蛋白以形成凝胶、确保微生物稳定性以及增强持水性——因此,简单地减少盐的用量往往会降低产品质量和消费者接受度。因此,需要找到既能降低配方中的钠含量,又不降低感知到的咸味或整体风味的策略。
范围与方法:我们在Web of Science、Scopus和Google Scholar等数据库中,使用关键词(减盐策略、加工肉类、咸味感知、盐味觉受体、盐替代品)进行了文献检索。筛选的研究主要集中在2005年至2025年,同时通过滚雪球法和专家推荐补充了其他参考文献。
主要发现与结论:单一的减盐策略很难在大幅降低钠含量的同时,保持产品质量和感官接受度。综合策略是利用人工智能重新设计配方,并将新型加工方法与多感官增咸机制以及受控的钠离子释放相结合。这种方法即使在产品钠含量逐步降低的情况下,也能维持对咸味的感知。本综述整合了盐味觉感知、肉类基质中钠离子释放动力学以及互补的减盐策略,为肉类产品减盐提供了基于科学的路线图,并为开发更健康的加工肉类提供了实用指导。未来的研究应致力于寻找具有成本效益和环境可持续性的解决方案,利用天然增咸剂,并加深对食品基质中钠离子释放机制的理解。 -
探索巴伊亚咖啡多样性:核磁共振光谱和化学计量揭示地区差异
查看原文2025
Food Chemistry
中科院一区JCR一区Yasmin A. Alvarenga, Heiter V.M. Boness, Carla S.A.G. Sarmento, Odair L. Lemos, Sylvana N. Matsumoto & Elisangela F. Boffo
食品标签
咖啡饮料 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
机器学习/统计学习 偏最小二乘法 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据咖啡是一种全球流行的饮品,巴西是主要生产国,巴伊亚州是该国第四大生产国。在巴伊亚,Chapada Diamantina和Vitória da Conquista高原微区以其高品质的美食咖啡闻名。本研究结合了核磁共振光谱和化学分析,比较了这些地区咖啡的化学成分。分析发现了显著差异:Vitória da Conquista Plateau咖啡对甲酸、富马酸、N-甲基吡啶和甲基尼古丁酸盐的浓度更高,而Chapada Diamantina咖啡则对丙烯酰胺、咖啡酸和trigonelline浓度更高。这些发现凸显了器官性质在区域性质上的差异。分类方法k-NN、SIMCA和PLS-DA有效区分了咖啡与这些微区,展示了核磁共振和化学计量学在区域咖啡区分中的潜力。
-
用于农产品内外品质检测的集成多模态柔性传感器与人工智能驱动的融合建模
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Zongxian Wang, Chaoyang Jia, Weizhong He, Xiaoshuan Zhang & Huanhuan Feng
食品标签
智能/指示型包装 包装系统中的监测与标签应用计算机标签
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 多模态/融合数据背景:传统的质量检测方法往往受限于设备僵化带来的灵活性不足、单模态准确性较低以及内外部质量分离评估等问题。近年来,多模态柔性传感器和人工智能(AI)技术的进步提供了一种变革性的方法,能够实现对产品内外部质量属性的无损、连续且精确的监测。这些创新对于优化农产品质量管理、减少浪费以及保障质量安全至关重要。
研究范围与方法:本综述系统总结了多模态柔性传感器和人工智能驱动的融合建模在农产品质量检测领域的最新进展。综述概括了有关监测微环境和质量参数的柔性传感器在设计、功能、制造及信号传输方面的近期研究。此外,本综述还重点介绍了基于人工智能的数据融合框架及其在评估农产品内外部质量属性中的应用。同时,本文还探讨了当前存在的挑战和未来的发展前景,为农产品质量检测领域的进一步研究和实际应用提供指导。
主要发现与结论:多模态柔性传感器和人工智能驱动的融合建模在推动农业质量检测发展方面具有巨大潜力。这些技术能够实现对物理、化学和生物指标的实时监测,显著提高了整个供应链中质量评估的准确性、可靠性和可追溯性。人工智能算法通过揭示复杂的相关性和预测质量演变趋势,进一步增强了数据解读能力。这些都将推动农产品质量检测向更高智能化和精准化的方向转变。