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
-
基于动态表面增强拉曼光谱和正电荷探针结合深度学习的苹果中真菌孢子快速检测与准确识别
查看原文2024
Food Control
中科院一区JCR一区Jinghong Wang, Rui Zhu, Yehang Wu, Le Tang, Cong Wang, Mengqing Qiu, Ling Zheng, Pan Li, & Shizhuang Weng
食品标签
新鲜水果 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据真菌感染对苹果的品质构成严重威胁,因此,真菌孢子检测是控制病害传播、保障食品安全的关键举措。本研究构建了动态表面增强拉曼光谱(D-SERS)技术结合正电荷探针的检测体系,并基于深度学习方法实现真菌孢子的检测与鉴定。研究首先采用半胱胺修饰金纳米棒,制备得到正电荷 SERS 探针;该探针通过增强与真菌孢子带负电细胞壁的相互作用,提升孢子捕获效率。随后,将探针与 D-SERS 技术联用,对真菌孢子的拉曼光谱进行检测,并在 D-SERS 体系由湿态向干态转变的亚稳态阶段,获得了最优光谱信号。这是由于该阶段产生的毛细作用力促使纳米颗粒形成大量三维热点,进而实现拉曼信号的显著增强。经简单的过滤离心分离后,从染病苹果样品中即可检测到黄曲霉、匍枝根霉及灰葡萄孢三种真菌孢子的特征 SERS 信号,且信号响应优良。此外,本研究采用高性能深度学习模型 ZFNet 构建识别模型,该模型在训练集、验证集及预测集中的识别准确率分别达 100%、99.44% 和 99.44%。本研究所建立的方法为苹果真菌感染的检测与鉴定提供了一种简便、快速且精准的技术方案,同时可拓展应用于其他农产品的检测领域。
-
阵列优化的人工嗅觉传感器实现成本效益高且无损地检测受霉菌毒素污染的玉米
查看原文2024
Food Chemistry
中科院一区JCR一区Maozhen Qu, Yingchao He, Weidong Xu, Da Liu, Changqing An, Shanming Liu, Guang Liu, & Fang Cheng
食品标签
玉米 微生物安全 风味组学计算机标签
深度学习 分类/鉴别/等级评定 时序传感器/物联网数据基于MobileNetV3的改进正弦-余弦算法(ISCA-MobileNetV3)与人工嗅觉传感器(AOS)结合,解决嗅觉阵列中的冗余问题,从而实现低成本且高精度地检测霉菌毒素污染玉米。具体来说,挥发性玉米有机化合物与含有8种卟啉和8种染料结合纳米复合材料的未优化AOS相互作用,获得了用于构建初始数据集的气味指纹。最优决策模型是MobileNetV3,分类准确率超过98.5%,其输出训练损耗将输入优化器ISCA。值得注意的是,ISCA-MobileNetV3将嗅觉阵列数量从16个减少到6个,分类准确率下降约1%。此外,系统显示每次在线评估平均不到一秒,展现了卓越的实时表现以确保食品安全。因此,AOS与ISCA-MobileNetV3结合将促进开发一个经济实惠且现场化的玉米质量检测平台。
-
从食品工业4.0到食品工业5.0:关键使能技术与未来应用前景
查看原文2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Abdo Hassoun, Sandeep Jagtap, Hana Trollman, Guillermo Garcia-Garcia, Linh N.K. Duong, Prateek Saxena, Yamine Bouzembrak, Horst Treiblmaier, Carlos Para-López, Carmen Carmona-Torres, Kapal Dev, David Mhlanga & Abderrahmane Aït-Kaddour
食品标签
生产管理与数字化工厂计算机标签
机器学习/统计学习 深度学习 大语言模型 模拟与数字孪生尽管多个与食品相关的领域尚未完全把握第四次工业革命(也称为工业4.0)的速度和广度,但来自其他行业的越来越多的文献表明,工业5.0(指第五次工业革命)已经在进行中。食品工业4.0的特点是食品科学与技术在物理、数字和生物方面的进步相融合,而未来的食品工业5.0可以被视为一种更全面、多学科和多维度的方法。本综述将重点识别工业5.0中可能被利用来塑造未来几年食品领域的潜在赋能技术。我们将回顾过去5年中关于创新技术在各种食品和农业应用中的最新研究。此外,还将强调机遇和挑战,并得出未来的发展方向和结论。初步证据表明,工业5.0是一个进化过程的结果,而并非如人们常说的那样是一场革命。我们的研究结果显示,再生式和/或对话式人工智能、万物互联网、微型和纳米传感器、4D打印及更先进的打印技术、协作机器人和先进无人机、边缘计算、可编辑区块链、元宇宙和沉浸式技术、信息物理系统、数字孪生以及第六代及更先进的无线技术,很可能成为食品工业5.0的主要驱动技术。尽管工业5.0的框架、愿景和价值正在成为各个学术和工业领域的热门研究课题,但农业食品领域才刚刚开始接纳工业5.0的某些方面和维度。
-
基于深度学习的定量预测模型,用于评估大豆作为豆浆原料的加工潜力
查看原文2024
Food Chemistry
中科院一区JCR一区Guoyin Zhu, Xin Huang, Xingyun Peng, Jingting Xu, Shuntang Guo, & Hui Zhang
食品标签
豆类与坚果(及籽类) 感官科学与消费者研究 光谱/色谱/质谱等分析方法 理化与结构表征 常量营养素(宏量)计算机标签
深度学习 定量预测/回归分析 质构/流变/感官数据当前技术如相关分析、回归分析和分类模型,在大豆潜力评估方面存在多种局限性,包括单一模糊的评估和定量预测失败,从而阻碍了更高效、更盈利的豆浆行业发展。为解决这一问题,54个大豆品种及其对应的豆奶进行了化学、质地和感官分析,以获得大豆物理化学性质(PN)和豆浆利润与质量属性(PQA)数据集。建立了基于深度学习的模型,利用PN数据定量预测PQA数据。通过45轮随机梯度下降优化训练,剩余9对PN和PQA数据被用于模型验证。结果表明,通过迭代训练,模型的整体预测性能显著提升,训练模型最终在78%的关键豆奶PQA中达到令人满意的预测(|相对误差≤20%,相对误差标准差≤40%)。未来利用大数据进行模型训练,可能有助于更好地预测豆浆气味特性。
-
探索人工智能在水产养殖中满足日益增长食物需求的机遇
查看原文2024
Food Chemistry:X
中科院一区JCR一区Mohd Ashraf Rather, Ishtiyaq Ahmad, Azra Shah, Younis Ahmad Hajam, Adnan Amin, Saba Khursheed, Irfan Ahmad & Showkat Rasool
食品标签
鱼肉 过程优化与控制策略 生产管理与数字化工厂计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据全球人口的不断增长推动了对食品的需求上升,尤其是作为首选蛋白质来源的鱼类,这给捕捞渔业带来了压力。过度捕捞导致野生鱼类资源枯竭,凸显了对先进水产养殖技术的需求。与农业不同,水产养殖尚未取得重大的技术进步。人工智能(AI)工具,如物联网(IoT)、机器学习、摄像头和算法,为减少人为干预、提高生产力以及监测鱼类健康、优化饲料和水资源管理提供了解决方案。然而,数据收集、标准化、模型准确性、可解释性以及与现有水产养殖系统的整合等挑战依然存在。本综述探讨了人工智能技术和工具在水产养殖业中的应用,以推动该行业发展并弥合食品供需之间的差距。