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
-
基于高光谱成像与人工智能相结合的快速无化学技术用于监测虾干品质与货架期
查看原文2025
Food Research International
中科院一区JCR一区Ubonrat Siripatrawan & Yoshio Makino
食品标签
甲壳类 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱本文开发了一种基于高光谱成像与人工智能相结合的快速、无化学方法,用于监测虾干品质。将虾干包装于聚丙烯袋中,在30°C储存期间按时间顺序监测其品质指标的变化,包括虾红素、硫代巴比妥酸反应物、总挥发性盐基氮以及感官属性。使用可见光至近红外区域的高光谱成像系统获取虾干的超立方数据。获得的光谱数据可作为反映各品质指标变化的指纹图谱。在进一步数据分析前,采用移动平均平滑技术对反射光谱进行数学预处理,以消除光散射不均匀引起的变异性。使用主成分分析作为无监督机器学习方法,探索波长变量之间的关系并降低高光谱数据的维度。随后,采用前向反馈反向传播人工神经网络同时评估虾红素、TBARS、TVB-N和感官特性,其决定系数分别为0.96、0.95、0.92和0.93,均方根误差分别为1.12 µg/g、0.22 mg MDA/kg、3.19 mg N/100 g和0.68分。此外,基于ANN预测值构建了伪彩色分布图,以直观展示虾干随时间的品质变化。结果表明,结合人工智能的高光谱成像技术能有效评估虾干在储存期间的品质与货架期。
-
通过拉曼高光谱成像和机器学习,在人造黄油中显微的水扩散和氢键结构
查看原文2025
Food Chemistry
中科院一区JCR一区J. Nicholas Taylor, Kazuki Bando, Shiori Tsukagoshi, Leo Tanaka, Katsumasa Fujita& Satoshi Fujita
食品标签
起酥油/人造脂肪 品质、结构与理化性质 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 红外/拉曼光谱数据人造奶油属于油包水(W/O)乳液,与同类产品相比具备成本更低等优势,但其中含有的大量饱和脂肪会带来健康风险。降低饱和脂肪含量难度较大,且往往会引发析油现象,即液态油脂从混合物中渗出,造成产品外观与质地变差。目前针对该现象的研究多聚焦于水油界面的微观形貌,而本研究证实拉曼成像可作为观测油包水乳液微观形貌的有效手段。本研究对5款在生产日期、配方及生产工艺上存在差异的人造奶油涂抹制品开展形貌分析。研究发现,乳液油相中氢键作用越强,析油程度越低;这表明油包水乳液脂质相中乳化剂分子、水分与结晶脂肪之间形成的氢键相互作用,能够提升乳液稳定性,减少析油情况的发生。
-
利用响应面法(RSM)和人工神经网络(ANN)优化柠檬皮中生物活性化合物的混合绿色提取技术
查看原文2025
LWT
中科院一区JCR一区Md Fuad Al Hasan, Animesh Sarkar, Md. Sumon Miah, Parvej Hasan Jon, Mahabub Alam, Gadah Albasher, & Mohammad Javed Ansari
食品标签
新鲜水果 副产物与废弃物高值利用 物理辅助加工 营养与生物功能 响应面分析与多因素优化 多酚与黄酮计算机标签
机器学习/统计学习 定量预测/回归分析柠檬(Citrus limon)果皮是一种值得注意的副产品,富含多酚类、黄酮类和抗氧化剂。传统的加工操作存在处理时间长和溶剂使用过量的局限性。本研究探讨了微波预处理和超声辅助提取在增强生物活性化合物提取方面的应用。研究比较了响应面法(RSM)和人工神经网络(ANN)在建模精度和预测性能方面的差异。RSM和ANN建模结果均显示生物活性成分产量与加工参数之间存在交互作用。比较分析表明,在给定数据集上,RSM的预测精度优于ANN,尽管两种模型的表现都令人满意。优化条件包括微波功率为516.74 W,照射时间为101.86秒,超声温度为40℃,超声持续时间为21.033分钟,在此条件下,TPC的最大回收率为2283.72 mg GAE/100 g,TFC为987.58 mg QE/100 g,DPPH清除活性为78.21%,总期望值为0.99。此外,我们的提取方法在能耗方面显著降低,比单独使用超声辅助提取低23.42%,并且二氧化碳排放也降低,这表明其具有环境可持续性。本研究证实了微波预处理和超声辅助提取的高效性,这是一种绿色且可扩展的方法,可从柠檬皮中回收生物活性物质。
-
食品安全——向人工智能(AI)运作模式的转变
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Igori Balta, Joanne Lemon, Cosmin Alin Popescu, David McCleery, Tiberiu Iancu, Ioan Pet, Lavinia Stef, Alastair Douglas & Nicolae Corcionivoschi
食品标签
食品安全与风险评估 标准与法规对比分析计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定背景:人工智能(AI)的整合是全球食品安全范式的革命性进步,尤其体现在从历史上的被动应对措施向预测性和预防性方法的转变上。过去,有关食品安全的法律主要是为了应对紧急情况,防止食品掺假和明显污染。然而,近年来人工智能的发展使得病原体检测、风险评估和供应链监控能够以更快、更准确、更高效的方式进行。
范围与方法:本批判性综述分析了重要的历史里程碑,从古代的做法到中世纪的法规,再到工业时代的变革性发现,最终到当代的技术整合。
主要发现与结论:人工智能确实可以成为提高食品安全监管效率的宝贵工具,而且这是公共部门机构对人工智能的接受度不断提高这一历史进程中的自然发展。卷积神经网络、高光谱成像和基于区块链的可追溯性展示了人工智能如何通过早期检测和预防问题来加强食品安全管理。本综述强调了仍然存在的重大挑战,包括数据可用性、算法的不透明性(即“黑箱”问题)、高昂的实施成本以及对专业技能的要求。我们概述了从被动的、由历史驱动的食品安全法规向主动的、由人工智能驱动的预测和预防策略的发展过程,并探讨了相关的优势、局限性、机遇和威胁。最后,本综述为政策制定者、食品行业从业者和学术界人士提供了采用并有效应用人工智能技术以加强食品安全所需的知识和指导。 -
机器学习揭示影响酵母氧化应激抗性的基因
查看原文2025
Nature Communications
中科院一区JCR一区Katarina Aranguiz, Linda C. Horianopoulos, Logan Elkin, Kenia Segura Abá, Russell L. Wrobel, Shin-Han Shiu, Antonis Rokas & Chris Todd Hittinger
食品标签
食品安全与风险评估 微生物安全 统计建模与仿真计算机标签
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据活性氧物质(ROS)是酵母在日常代谢过程中以及与其他生物(包括宿主感染)相互作用时所接触到的高活性分子。在此,我们研究了古酵母亚门属糖酵母目中对引发活性氧化合物的 tert-叔丁基过氧化氢化合物的抗性差异,并使用机器学习(ML)来识别基因家族,其大小可预测对活性氧的抵抗能力。最具预测性的特征在与细胞壁组织相关的基因家族中富集,其中包括两个还原酶基因家族。我们评估了特征对每个物种分类的定量贡献,以指导实验验证,并表明老黄色酶(OYE)还原酶的过表达可提高克鲁维酵母的活性氧抵抗能力,而缺乏多个木糖基转移酶编码基因的酿酒酵母突变体对活性氧高度敏感。总的来说,这项工作为机器学习如何揭示不同物种间性状变异背后的遗传机制,并为临床和生物技术应用中的性状操纵提供信息提供了框架。