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
-
基于高光谱成像和自动化可解释机器学习监测羊肉脂质与蛋白质氧化损伤
查看原文2025
Food Research International
中科院一区JCR一区Weiguo Yi, Xingyan Zhao, Xueyan Yun, Songlei Wang & Tungalag Dong
食品标签
畜肉 氧化、褐变等化学变化 过程监测与在线检测 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 模型可解释性 定量预测/回归分析 高光谱/多光谱光谱目前,利用高光谱成像(HSI)结合机器学习(ML)检测脂质和蛋白质氧化的方法需要数据科学家和领域专家的参与来调整模型架构和优化超参数。此外,预测模型在预测结果和决策过程方面缺乏可解释性。本研究针对经过不同冻融循环处理的羊肉样本的可见-近红外高光谱图像,开发了ML、自动化机器学习(AutoML)和自动化深度学习(AutoDL)模型,以评估在无需人工干预的情况下构建脂质和蛋白质氧化预测模型的可行性。研究使用SHapley Additive exPlanations(SHAP)方法来解释预测模型。结果表明,AutoDL获得了脂质氧化(R2p = 0.9021,RMSEP = 0.0542 mg/kg,RPD = 3.3624)和蛋白质氧化(R2p = 0.8805,RMSEP = 3.8065 nmol/mg,RPD = 3.0789)的有效预测模型。AutoML驱动的堆叠集成模型进一步提高了模型的泛化能力,预测脂质和蛋白质氧化的R2p分别达到0.9237和0.9347。通过SHAP确定的重要波长与光谱分析结果高度一致,并且该分析还确定了这些重要波长对模型输出影响的大小和方向。最后,对羊肉在不同冻融循环中脂质和蛋白质氧化的变化进行了可视化。研究表明,HSI、AutoML和SHAP的结合可以在无需人工协助的情况下,生成高质量的可解释模型,用于监测羊肉的脂质和蛋白质氧化损伤。
-
超灵敏、智能的食品安全监测平台:利用自组装的SERS底物和机器学习,无标签检测非法添加剂
查看原文2025
Food Chemistry
中科院一区JCR一区Chunjuan Yang, Shuang Jiang, Yue Zhao, Li Zhang, Xiaoming Lyu, Shulu Zhang, Jiayue Liang, Yiyang He, Xubin Quan, Mingxu Zhang, Ran Gao, Renxing Song, Jing Wu, Chunli Gan, Yanli Wu, Xiaotong Wang & Yang Li
食品标签
化学污染物 过程监测与在线检测 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 红外/拉曼光谱数据为克服食品安全监测中SERS的局限性,尤其是柠檬酸盐离子的显著干扰,本研究引入了一个基于SERS的智能食品安全监测平台。该平台利用硼氢化钠激活银纳米颗粒,钙离子可促进纳米颗粒的聚集,促进自组装和“热点”形成,同时放大柠檬酸盐离子信号。 碘离子的引入旨在消除柠檬酸盐信号和背景荧光干扰。底物达到了100 fg/mL的检测极限。此外,创新的光谱集“SERSome”实现了全面的分子指纹识别,显著提升了准确性。此外,结合机器学习提升了食品样本中快速精准检测和分类的应用性,并成功应用于食品中非法添加剂的监测。总之,该系统提供了一个智能且创新的食品安全检测平台,有助于早期预防食源性疾病。
-
从农场到餐桌之外:海产品安全与质量的综合控制——人工智能相关的机遇与挑战
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Andrée De Cock, Marie Anne Eurie Forio, Henry H. Hansen, Liesbeth Jacxsens, Carl Lachat & Peter Goethals
食品标签
肉类/蛋类与水产品 微生物安全 化学污染物计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析海鲜是一种种类丰富且极具价值的营养来源,能够为全球范围内的健康饮食提供支持。然而,从水生生态系统中吸收的有毒化合物进入海鲜产品,再加上整个海鲜产业链中存在的食源性风险,对公众健康构成了全球性威胁。要有效管理海鲜危害并优化消费者健康,就需要超越传统的“从农场到餐桌”链条。本文旨在探讨一种“超越从农场到餐桌”的框架,阐述确保海鲜安全、高品质的关键要素。智能食品安全技术的最新进展借助人工智能(AI)来提升食品的安全性和质量。但目前,关于海鲜产业链内外与人工智能相关的应用,尚未形成一个综合性的视角。基于“超越从农场到餐桌”的框架,我们强调了在海鲜系统综合管控方面与人工智能相关的主要机遇和挑战。最后,我们在“超越从农场到餐桌”的各个层面,为人工智能的应用以及消费者健康提供了指导、生产法规和政策建议。我们的研究结果强调,在实现海鲜质量的综合管控过程中,海鲜生产的地点、环境条件以及消费者的个体特征之间存在着关键的相互作用。物联网、传感器、机器学习和区块链等与人工智能相关的技术,能够实现风险的早期检测、缓解和控制,减少污染物和食源性疾病带来的健康风险,同时提升营养质量。人工智能能够简化消费者的选择,使其既有利于个人健康,又有利于食品生产的可持续性。将可追溯系统和FAIR数据与人工智能的进一步发展相结合,能够赋予海鲜产业链相关方确保产品质量和保障消费者健康的能力。
-
如今的农产品溯源:推动创新,提升食品供应链的效率、可持续性、伦理采购及安全性
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Sara Rossi, Sandra Gemma, Francesca Borghini, Matteo Perini, Stefania Butini, Gabriele Carullo & Giuseppe Campiani
食品标签
食品安全与风险评估 组学与高通量技术计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定背景:农业食品供应链的全球化程度不断提高且日益复杂,这使得食品系统对透明度、安全性和可追溯性的需求日益迫切。食品的完整性、真实性和安全性至关重要,实施具体且可靠的追踪与溯源协议正成为食品行业的首要任务。食品供应链往往缺乏效率,而消费者也越来越关注所购食品的来源和质量,要求更精准的数据传递系统。鉴于此,对农业食品供应链可追溯性的清晰理解变得十分必要。
范围与方法:本综述从法律要求、技术和分析视角为食品可追溯系统提供了一份路线图。综述探讨了追踪与溯源等关键概念,概述了国际监管框架,并引入了一种新颖的分类法,该分类法根据技术成熟度和数据粒度对可追溯系统进行分类。重点关注了创新分析技术,如蛋白质组学、代谢组学/挥发组学、基因组学、稳定同位素和元素分析,以及新兴数字技术,包括人工智能(AI)、自主智能系统(AsI)、区块链、物联网(IoT)和食品链管理(FCM)。葡萄酒、大蒜和咖啡可追溯性的案例研究,展示了这些工具在实际工业和地方场景中的应用。
主要发现与结论:通过将监管见解与创新技术相结合,本综述强调了提高端到端可追溯性效率的最佳实践和战略方向。综述探讨了适用于先进食品供应链的创新技术,并强调了可追溯系统在建立消费者信任、支持公共健康和推动可持续食品生产方面的作用。 -
利用人工智能和多组学技术增强酸面团发酵:从自然多样性到合成微生物群落
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Yujuan Yu, Jiale Wang, Faizan Ahmed Sadiq, Honghong Cheng, Aowen Liu, Yan Liu, Senmiao Tian, Jingjing Liang, Ling Zhu & Guohua Zhang
食品标签
小麦 组学与高通量技术 菌种筛选与特性评价 发酵工艺与动力学计算机标签
机器学习/统计学习 深度学习 过程控制与实时优化 组学数据背景:酸面团发酵由复杂的微生物群落驱动,这些群落受多种因素影响,包括面粉类型、环境和工艺条件。传统的天然酸面团依赖于原材料和环境中的自发性微生物定植,这往往导致微生物组成、代谢活性和发酵结果存在很大差异。这些不可预测的动态变化给维持产品一致性、控制发酵时间、确保食品安全和扩大生产规模带来了挑战。
范围与方法:本综述概述了多组学方法如何应用于表征酸面团微生物群、理解微生物相互作用以及监测代谢功能。我们进一步探讨了从自然发酵到合成微生物群落(SynComs)的转变,重点阐述了人工智能(AI)与组学的整合如何指导SynCom的设计,并预测在不同发酵条件下群落的行为。
主要发现与结论:人工智能与多组学的整合能够深入模拟酸面团生态系统中的微生物相互作用和功能输出。这些方法为构建功能稳定的SynComs以实现一致的发酵性能提供了合理的框架。尽管在将SynComs扩大到工业应用方面仍存在挑战,但人工智能驱动的多组学策略为优化酸面团发酵和促进发酵食品生产的创新提供了一条有前景的途径。重要的是,这些发现对临床和工业微生物学领域群落模型的开发具有更广泛的意义。