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
      • 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)

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
化学污染物

标签记录(计算机学者)

暂无筛选

共 187 条结果

  • 食品安全中的光谱-AI 技术:进展、挑战与未来方向

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Masoud Aman Mohammadi, Behrouz Tajdar-oranj, & Ebrahim Esmaeili

    食品标签

    豆类与坚果(及籽类) 化学污染物 加工与新加工技术 光谱/色谱/质谱等分析方法 显微与成像技术 其他特殊成分

    计算机标签

    深度学习 模型可解释性 缺陷/异物检测与定位 多模态/融合数据 高光谱/多光谱光谱

    当代供应链中的食品安全维护需要兼具工业通量以及化学和微生物特异性的分析方法。培养法微生物检测和色谱测定等传统确证方法仍不可或缺,但其周转时间长、样品破坏性强且依赖集中实验室,限制了其在快速批次筛查和在线控制中的适用性。本文考察面向食品的光谱传感技术,包括高光谱和多光谱成像、近红外光谱、拉曼光谱和表面增强拉曼光谱,并评估机器学习和深度学习如何支持关键食品危害的快速无损筛查。文章综合比较不同传感模态的实际权衡,概述从预处理、波长选择到先进神经网络架构的计算工作流,并总结其在微生物污染和腐败、谷物和坚果真菌毒素筛查、加工食品异物检测以及鲜食农产品农药残留评估中的应用。文章进一步讨论了转化到常规食品制造中的关键障碍,包括仪器和工艺变异、校准迁移、数据集代表性、模型可解释性以及与监管一致的验证要求。最后,文章强调传感器小型化、边缘 AI 部署和多模态数据融合等新兴方向,这些方向有助于在生产和流通系统中实现可扩展、可审计和实时的食品监测。

  • 用于新兴污染物的计算机辅助抗体发现:桥接分子免疫技术与食品安全可持续性

    2026
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Jing Zhao, A.M. Abd El-Aty, Peipei Li, Yongxin She, Fen Jin, Jing Wang, Mingqian Tan, Lufei Zheng, & Maojun Jin

    食品标签

    化学污染物 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

    机器学习/统计学习 设计/生成与推荐 文本/知识库/法规数据 合成/仿真数据为主

    背景:新兴污染物(ECs)在全球范围内对环境构成日益增长的威胁,而基于抗原-抗体相互作用的免疫检测在检测其残留物方面至关重要,具有环保和低影响的优势。然而,为新的ECs寻找合适的抗体仍然具有挑战性,这限制了免疫检测的有效性。范围与方法:为克服这一问题,抗体发现方面的创新对于增强ECs检测能力和降低食品安全及公共健康风险至关重要。本文对ECs抗体检测的进展提供了平衡的视角,考察了杂交瘤方法、抗体展示文库和单B细胞技术。它还探讨了在抗体生成中必不可少的半抗原设计和免疫的新限制与发展,并讨论了抗体设计未来的研究方向。主要发现和结论:有效的半抗原设计对于开发针对低分子量(LMW)环境化学物质的抗体至关重要,新兴的计算策略,包括人工智能(AI),能够实现精确设计并加速设计过程。免疫策略同样关键,纳米佐剂提供独特的优势,而组合佐剂可能优于单组分佐剂。通过优化电融合和高通量筛选可以改进杂交瘤技术。利用展示技术和高通量筛选构建合成抗体文库可以提高重组抗体的产量。推进单B细胞技术需要改进其分离、扩增精确性以及智能筛选能力。未来在机器学习(ML)和计算生物学方面的进展将使抗体发现更加具有预测性,而整合多个领域是开发更快速、更廉价的食品安全抗体解决方案的关键。

  • 使用掩码光谱进行黄曲霉毒素B1检测的自监督学习

    2026
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Wenwen Guo, Hongfei Zhu, Xianpeng Wang, & Zhongzhi Han

    食品标签

    玉米 豆类与坚果(及籽类) 化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分

    计算机标签

    深度学习 小样本学习 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

    黄曲霉毒素是一种高度有毒的次级代谢产物,广泛存在于花生和玉米籽粒中。本研究提出了一种基于自监督学习(SSL)的策略,用于花生和玉米中黄曲霉毒素B1的精确检测。首先,构建了一个SSL主干网络,对掩蔽光谱执行光谱重建任务,为后续的监督学习提供预训练权重。其次,创新性地将光谱重建误差用作波长注意机制,并与SSL阶段微调的编码器相结合,以开发分类模型。该模型在花生中的平均准确率为0.9805 ± 0.0019,在玉米中为0.9478 ± 0.0060,优于其他深度学习模型。此外,还基于光谱重建误差选择了关键波长。实验结果表明,40个选定的关键波长优于其他方法,分布更加均匀,捕获了更丰富的光谱特征。本研究中的策略为少样本光谱检测提供了高效的解决方案。

  • 深度学习增强的微流控纸基荧光传感器用于农药和金属离子的同步检测

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Xu Yan, Shiquan Qian, Xinpei Li, Jing Li, Xiuxiu Wu, Min Yuan, & Fei Xu

    食品标签

    新鲜蔬菜 化学污染物 加工与新加工技术 显微与成像技术 其他特殊成分

    计算机标签

    目标检测网络 缺陷/异物检测与定位 红外/拉曼光谱数据 可见光/RGB/视频数据

    蔬菜中农药残留和重金属离子的同步监测具有挑战性,因为这些污染物化学性质差异较大,通常需要不同分析流程。本研究开发了一种结合深度学习的微流控纸基荧光适配体传感器,用于同步检测高效氯氟氰菊酯、啶虫脒、毒死蜱和 Cd(II)。多通道纸芯片提供独立检测区,目标物结合诱导适配体构象变化并恢复荧光信号。研究构建了基于 YOLO 深度学习框架的多目标浓度自动获取模型 MCAAM,用于自动分析荧光图像、定位检测区域、分类目标并估计浓度。数据集包含 158 张图像,划分为训练、验证和测试集,并对训练图像进行三倍增强。最佳 YOLOv12n-MCAAM 模型 mAP50 为 0.995,F1-score 为 1,精确率和召回率均为 1,测试集分类准确率为 91.3%,可将图像处理时间由分钟级缩短至毫秒级。该系统对高效氯氟氰菊酯和毒死蜱的线性范围为 10-1000 nM,对啶虫脒和 Cd(II) 的线性范围为 10-200 nM,检出限分别为 5.842、7.122、11.70 和 8.560 nM。真实样品分析表明其具有快速多污染物监测潜力。

  • 人工智能驱动的非靶向筛查:在环境科学和食品科学中的应用与前景

    2026
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Qingrun Liu, Paibin Zhu, Hui Sun, Zhe Chen, & Bing Shao

    食品标签

    化学污染物 其他安全问题 光谱/色谱/质谱等分析方法

    计算机标签

    模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据

    目标:作为一篇系统综述,本文旨在总结人工智能(AI)在赋能非靶向筛查(NTS)技术中的当前应用和未来前景。研究重点是筛查和识别环境与食品领域中未知或意外的化学污染物。具体而言,文章阐明了AI如何辅助克服NTS固有的挑战,从而推动新兴污染物、食品掺假物及有害物质的检测技术,并提升产品真实性验证和风险评估能力。主要发现:在环境与食品领域,AI通过自动化数据处理、实现智能光谱解释以及从复杂化学指纹中提取有意义的模式,增强了NTS的能力。具体应用包括对未知有害物质和非法添加剂的智能检测、地理来源和产品真实性的验证,以及对营养成分和质量的无损快速评估。然而,复杂的食品基质、标准数据库不足以及模型可解释性不够等挑战限制了其实际应用。结论:人工智能正在推动食品领域非目标检测(NTS)从大规模检测向智能预警和精确溯源演进。未来的工作应重点构建高质量数据库、开发可解释的人工智能模型,并建立综合智能分析平台。这些进展将支持食品供应链中更智能、更具预测性的安全性和质量保障。本综述阐明了人工智能如何推动新型传感技术(NTS)向智能感知和决策的核心发展,以应对环境和食品科学中的未知风险,同时识别克服当前瓶颈并实现其更广泛应用的关键途径。

跳转至

页

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=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

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=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与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=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与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=7.0!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=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与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=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

活动详情请关注“食品AI荟”微信公众号