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
-
革命性农业:人工智能在提升农产品特性应用中的全面综述
查看原文2025
Food Chemistry: X
中科院一区JCR一区Mansi Nautiyal, Saloni Joshi, Iqbal Hussain, Hrithik Rawat, Akanksha Joshi, Aditi Saini, Rishiraj Kapoor, Himani Verma, Anshul Nautiyal, Aniket Chikara, Waseem Ahmad & Sanjay Kumar
食品标签
食品安全与风险评估 过程监测与在线检测计算机标签
机器学习/统计学习 卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 缺陷/异物检测与定位将人工智能(AI)融入农业标志着精准化和高效化的新时代到来。卷积神经网络(CNNs)通过基于图像的分类实现作物病害的早期检测,减少产量损失。长短期记忆(LSTM)网络支持用于产量预测和土壤健康评估的预测建模,为资源分配提供帮助。尽管机械化和自动化仍是全球性挑战,但现代人工智能和机器学习(ML)应用已经改变了农业实践。本综述探讨了各种人工智能工具,包括机器学习算法、深度学习(DL)模型、物联网(IoT)和决策支持系统(DSS),以及它们在应对诸如提高作物产量、精准灌溉、病虫害防治和明智决策等挑战方面所发挥的作用。本文进一步强调了人工智能在植物育种、灌溉、物流和包装领域的应用。尽管取得了这些进步,但人工智能的广泛采用仍面临诸多障碍,如高昂的成本、隐私问题、基础设施不足以及专业技术知识有限等。本综述为人工智能在农业中的潜力和局限性提供了见解。
-
利用前面荧光光谱和多种多变量分析技术检测和定量其他级别橄榄油对特级初榨橄榄油的掺假
查看原文2025
Food Chemistry
中科院一区JCR一区Hicham Zaroual, El Mestafa El Hadrami, Abdellah Farah, Yassine Ezzoubi, Christine Chénè & Romdhane Karoui
食品标签
植物油 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究探究利用正面荧光光谱技术,检测特级初榨橄榄油被低等级橄榄油(初榨橄榄油、普通初榨橄榄油、灯用初榨橄榄油、精炼橄榄油、果渣橄榄油)以5%~50%掺假比例进行掺伪的情况。在270纳米、290纳米和430纳米激发波长下,采用主成分分析、因子判别分析和偏最小二乘判别分析(PLS-DA)对发射光谱进行分析。其中430纳米波长下的偏最小二乘判别分析效果最优,分类准确率达到100%,可完全区分12组纯橄榄油样品与掺伪橄榄油样品。
在纯度预测方面,将偏最小二乘、主成分、支持向量机回归模型应用于发射光谱数据,在430纳米、290纳米、270纳米波长下分别得到0.995、0.96、0.98的高决定系数,预测误差仅为1.09%。研究结果证实,该方法在特级初榨橄榄油掺伪检测与定量分析中具备极高的准确度。 -
使用稳定同位素特征和脂肪酸谱鉴别池塘与稻田养殖的中华绒螯蟹(河蟹)
查看原文2025
Food Control
中科院一区JCR一区Cui Han, Yujing Xiao, Zhongqi Dai, Lei Feng, Yan Shi, Xiaojie Liu, Jiachun Ge & Jiaxin Yang
食品标签
甲壳类 其他品质相关性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据本研究结合稳定同位素和脂肪酸(FA)分析来鉴别池塘与稻田养殖的中华绒螯蟹(河蟹)。研究了性别差异对蟹体内稳定同位素和脂肪酸谱的影响。结果表明,14种脂肪酸和δ13C在池塘养殖和稻田养殖的蟹之间存在显著差异。蟹体内的δ13C和δ15N值不受性别影响。然而,池塘养殖蟹中的四种脂肪酸和稻田养殖蟹中的三种脂肪酸在不同性别间存在显著差异。使用典型判别分析(CDA)对数据(脂肪酸和稳定同位素)进行降维。此外,采用正交偏最小二乘判别分析(OPLS-DA)来建立基于稳定同位素和脂肪酸的判别模型。该模型的正确分类率达到96.61%。δ13C和C23:0是OPLS-DA模型中区分池塘与稻田养殖蟹的最重要变量。这些结果表明,稳定同位素和脂肪酸谱有潜力在较少受性别差异影响的情况下,区分河蟹的生产方法。
-
一种通过近红外透射光谱对活中华绒螯蟹(Eriocheir sinensis)蟹黄进行无损检测的方法
查看原文2025
LWT
中科院一区JCR一区Mengyao Lu, Chi Zhang, Shuwen Jiang, Jiao Yi, Xiaohe Gu, Cong Wang, Dinglian Zhu, & Tian'en Chen
食品标签
甲壳类 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集本研究首次提出了一种快速、无损的检测活体中华绒螯蟹蟹黄的方法,采用近红外透射光谱(NIR-TS),其动机在于该成分具有较高的食用和经济价值。研究使用定制光学系统测量了62只活体螃蟹的近红外透射光谱,包括完整样本、解剖组织(蟹黄、蟹壳及去蟹黄组织)以及九个特定体部,同时测量了螃蟹中心厚度和蟹黄分布。基于局部光谱开发了分类模型,以区分含蟹黄和不含蟹黄的区域,实现对活体螃蟹蟹黄分布的预测。共收集了558个光谱数据集,并按6:2:2的比例划分为训练集、验证集和测试集。结果显示,无论是完整的螃蟹还是分离的壳体,都存在可测量的非零透射率,这表明短波近红外(SW-NIR,780 - 1100 nm)可能具有穿透多层组织的能力。区域光谱分析显示,蟹籽是主要的透射调节因素,其影响超过厚度效应,含蟹籽的区域的透射率始终低于无蟹籽区域。建模结果表明,在对光谱进行乘法散射校正(MSC)预处理后,结合LASSO选择的特征和30个光谱统计特征(SFs30)的反向传播神经网络(BPNN)模型表现最佳,准确率达到96.2%。此外,蟹籽分布预测与地面真实验证的符合率为94.4%。该模型的分类能力归因于与关键生化特征相关的特定近红外波长,形成了用于蟹黄检测的独特指纹。这一方法为螃蟹的质量分级提供了一种新颖的解决方案,同时满足水产供应链环保且成本效益高的要求。
-
自动化食品加工中的机器学习:简要综述
查看原文2025
Annual Review of Food Science and Technology
中科院一区JCR一区Lu Zhang, Remko M. Boom & Yizhou Ma
食品标签
食品加工设备与机械系统 加工与新加工技术 品质、结构与理化性质计算机标签
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 设计/生成与推荐 时序传感器/物联网数据工业食品加工正迅速向自动化和数字化转型。自动化食品加工系统能够适应原材料的变化和产品质量要求。实施自动化加工系统有可能通过提高生产力同时减少环境影响,来增强我们食品系统的可持续性。然而,自动化食品加工系统的采用率仍然相对较低。在本综述中,我们探讨了自动化食品加工的概念,并总结了机器学习技术在实现自动化食品加工方面的最新应用进展。机器学习可应用于配方开发、过程控制和产品质量评估等领域。我们分享了关于自动化食品加工系统在适应复杂原材料、大规模定制、个性化营养以及人机交互方面潜力的愿景。最后,我们指出了相关的研究问题,并强调未来关于自动化食品加工的研究需要多学科方法。