01 / 01

类目筛选(食品学者)

清除筛选
  • 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
      • 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)

清除筛选
  • 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)

清除全部筛选
暂无筛选

标签记录(计算机学者)

暂无筛选

2456 条结果

  • 基于深度学习与快照高光谱成像技术的肉类物种分类潜力研究

    2020
    Food Control
    中科院一区
    JCR一区
    查看原文

    Mahmoud Al-Sarayreh, Marlon M. Reis, Wei Qi Yan & Reinhard Klette

    食品标签

    畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法

    计算机标签

    卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱

    在肉类行业中,产品真伪鉴别至关重要,因其关系到人类膳食结构、加工产业链,同时也是保障公平贸易的重要基础。本研究旨在融合红肉高光谱图像(HSI)的光谱与空间特征,探究 快照式高光谱成像(snapshot HSI) 结合深度学习方法用于红肉分类的应用潜力,并对快照式与传统标准线扫描高光谱系统开展全面对比。本研究提出一种新型 三维深度卷积神经网络(3D-CNN) 模型,用于提取光谱 - 空间联合特征并实现高光谱图像中肉类的分类识别;同时创新采用基于图的后处理方法,提升 3D-CNN 模型的预测效果。结果表明,3D-CNN 方法相较现有主流模型,显著提升了整体分类精度。尽管快照式高光谱的光谱信息存在一定局限,3D-CNN 模型仍表现出良好的鲁棒性:基于近红外(NIR)快照高光谱的整体分类精度达 96.9%,基于可见光(VIS)快照高光谱的精度达 97.1%。两类高光谱系统的对比结果显示,传统主流模型难以对快照式高光谱数据实现精准分类,而 3D-CNN 通过利用完整图像信息,在两种系统上均能获得优异的分类精度。本研究为后续依托快照式高光谱与深度学习模型,开展红肉真伪实时鉴别、移动式高光谱系统开发等相关研究奠定了基础。

  • 基于人工智能的黄油变体鉴别:作为检测食品掺假的模型研究

    2020
    Innovative Food Science and Emerging Technologies
    中科院一区
    JCR一区
    查看原文

    Gokce Iymen, Gizem Tanriver, Yusuf Ziya Hayirlioglu & Onur Ergen

    食品标签

    食品安全与风险评估

    计算机标签

    深度学习 分类/鉴别/等级评定

    全球范围内,出于对健康的日益关注以及消费者对健康食品选择的认识提高,对高质量食品的需求正以前所未有的速度增长。然而,测定食品质量的工具仍局限于设备精良的实验室,不易为消费者所用。不幸的是,当前的检测机制有限,无法持续追踪所有产品,这暴露了系统在面对掺假、伪造和错误标签产品时的弱点。消费者仅依赖制造商标签,没有便捷易用的工具来确认产品质量,特别是对于有机产品。人工智能的发展为开发此类工具提供了机会。在本研究中,我们证明,穿越食品的简单声音振动可以与深度学习模型结合使用,以验证无添加剂的优质产品以及有机食品。我们的神经网络模型,即并行CNN-RNN和CRNN,在定义分类任务上实现了高精度。据我们所知,这是首个报道利用简单声音振动基于人工智能工具识别食品掺假的研究。

  • 理解与调控食品蛋白质结构与功能:来自实验与计算机模拟的视角

    2020
    Annual Review of Food Science and Technology
    中科院一区
    JCR一区
    查看原文

    Fernando Luís Barroso da Silva, Paolo Carloni, David Cheung, Grazia Cottone, Serena Donnini, E. Allen Foegeding, Muhammad Gulzar, Jean Christophe Jacquier, Vladimir Lobaskin, Donal MacKernan, Zeynab Mohammad Hosseini Naveh, Ravi Radhakrishnan & Erik E. Santiso

    食品标签

    蛋白质与氨基酸 品质、结构与理化性质 感官科学与消费者研究 过程控制与数字化 理化与结构表征

    计算机标签

    机器学习/统计学习 定量预测/回归分析 过程控制与实时优化 知识抽取与语义理解 合成/仿真数据为主

    蛋白质的结构和相互作用在决定许多食品、饮料和药品的质量属性方面起着关键作用。融入对蛋白质结构与功能关系的多尺度理解,能够让人更深入地洞察并更好地控制相关的作用过程。通过机器学习整合来自实验测量、人类感官小组和计算机模拟的数据,有助于构建将蛋白质的纳米级特性与食品的物理化学性质、生理效果及口味联系起来的统计模型。本综述重点介绍了几个在分子、介观和多尺度层面进行的高级计算机模拟案例,这些案例揭示了食品中各种作用的机制,从而为对其进行控制提供了便利。此外,本综述还为那些刚接触计算机模拟建模的人提供了一个实用的模拟工具箱。

  • 基于拉曼光谱的蛋壳无损在线鸡蛋新鲜度评估

    2020
    Food Control
    中科院一区
    JCR一区
    查看原文

    Yuliang Liu, Xiaona Ren, Hang Yu, Yuliang Cheng, Yahui Guo, Weirong Yao & Yunfei Xie

    食品标签

    蛋类及其制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸

    计算机标签

    偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据

    鲜蛋对于食品加工与居民消费均具有重要意义。本研究采用拉曼光谱技术结合化学计量学方法,通过扫描鸡蛋蛋壳外部信息,实现鸡蛋新鲜度的检测监测。研究选取 125 枚鸡蛋,在为期 60 天的监测周期内,分别采集每枚鸡蛋蛋壳顶部、腰部、底部三个位置的拉曼光谱;随后结合表征新鲜度的理化指标,构建波数范围为100–3000 cm⁻¹的偏最小二乘回归模型。建模过程中对拉曼光谱开展多种预处理,结果表明一阶导数或二阶导数预处理可取得最优建模效果。此外,对比蛋壳不同检测位点的建模效果发现,蛋壳顶部位点所建模型性能最佳。该模型与哈夫单位、蛋白 pH 值、气室直径的相关系数均高于 0.9,与气室高度的相关系数高于 0.8,说明蛋壳表面拉曼光谱与鸡蛋新鲜度存在强相关性。本研究为鸡蛋新鲜度的无损、现场快速检测,提供了一种新型、便捷高效的检测方法。

  • 基于机器学习的模式识别识别油脂掺假和食用油混合物

    2020
    Nature Communications
    中科院一区
    JCR一区
    查看原文

    Kevin Lim, Kun Pan, Zhe Yu & Rong Hui Xiao

    食品标签

    油脂及油脂制品 植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法 统计建模与仿真 数值仿真

    计算机标签

    深度学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱

    先前的研究表明,每种食用油都有其独特的脂肪酸组成特征;然而,目前尚未有方法能够仅依据这一特征来简单鉴别出油的种类。此外,特定油的脂肪酸组成可以通过两种或更多种油的混合物来模拟。这导致了食用油的欺诈性掺假以及对食用油的有意错误标注,这威胁到了食品安全并危及公众健康。在此,我们提出了一种机器学习方法,用于揭示针对十种不同植物油类型及其内部变异性的脂肪酸模式的区分特征。我们还描述了一种有监督的端到端学习方法(深度学习),该方法可以推广到任何给定混合物的油成分上。在大量模拟油混合物上进行训练后,独立测试数据集验证表明,该模型的第 50 百分位数绝对误差在 1.4% - 1.8% 之间,而 90 百分位数误差为 4 - 5.4% ,对于这十种油类型的任何三元混合物均适用。深度学习模型还可以通过在线训练进一步优化,以捕捉目前尚未具备的有用知识。我们的方法能够确保产品质量的可控性,从而确定购买油品的合理价格,并进而为注重健康的消费者提供准确标签标识的未来保障。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=5.7!征稿 | International Journal of Food Microbiology: Fermented Foods

2026.05.31

发酵食品与AI

了解更多

IF=6.2!征稿 | Food Bioscience: Chemistry and Emerging Techniques in Food Bioactive Development: A Special Issue Honoring 20 Years of NAJUA

2026.04.30

成分分析与AI

了解更多

IF=6.6!征稿 | Future foods: Food Informatics, Artificial Intelligence, and Large Language Models in Future Food Research

2026.05.01

食品科学与AI

了解更多

IF=9.2!征稿 | Food Chemistry X:Wine Chemistry

2026.05.31

葡萄酒与AI

了解更多

活动详情请关注“食品AI荟”微信公众号