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 187 条结果
-
利用具有宽范围三色发射的双发射金属有机框架,通过纸基和溶液平台检测食品中残留的氧氟沙星
查看原文2026
Food Chemistry
中科院一区JCR一区Sameera Sh. Mohammed Ameen, Faisal K. Algethami, & Khalid M. Omer
食品标签
化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据开发多发射和多功能荧光探针对于可靠的食品安全监测至关重要。在这项工作中,我们提出了一种基于三重发射传感系统的宽色调方案,用于复杂食品基质中氧氟沙星(OFL)的检测。由双配体组装的杂金属铕/锌金属有机框架(BiL-Zn/Eu-MOF)在单波长激发下显示出强烈的蓝色和红色发射。在暴露于OFL时,两种发射均被猝灭,同时出现一个新的黄绿色发射带,从而实现高可靠性和高灵敏度的三通道比值评估。其机制整合了配位诱导发射、聚集驱动荧光以及内滤效应,同时双天线设计通过高效能量转移增强了红色发光。这一协同过程产生了高度稳定且灵敏的三重发射通道。该系统已成功应用于荧光测定(溶液中)以及智能手机辅助的溶液中和/或纸基平台,实现了对牛肉、鱼类和牛奶中OFL的准确定量。结果凸显了其作为一种实用且用户友好的食品安全分析工具的潜力。
-
可与智能手机集成的便携式视觉传感平台:用于食品安全中黄曲霉毒素的现场快速检测
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Jiarong Liu, Xi Zhao, Yumin Yang, & Xiaoxia Li
食品标签
化学污染物 过程监测与在线检测 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
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据背景:黄曲霉毒素是毒性最强、分布最广的食品污染真菌毒素,对全球食品安全与公共卫生构成严重威胁。色谱法、免疫分析法等传统检测手段检测结果可靠,但依赖大型仪器,且需专业人员操作,无法满足食品全产业链现场快速筛查的需求。
研究范围与方法:本文系统梳理了黄曲霉毒素的理化特性与危害,同时分析传统检测方法存在的缺陷;重点综述近五年基于智能手机的可视化传感检测平台研究进展,阐释将抗体、适配体、分子印迹聚合物三类识别元件集成至智能手机检测平台的技术原理与应用发展现状,横向对比三类检测平台的优劣,并探讨相关标准化构建方案。
核心研究结果与结论:黄曲霉毒素稳定性高、毒性极强,搭建完善严格的监测体系具有重要意义。基于智能手机的可视化传感平台已初步实现现场即时检测,但该技术仍处于实验室成果向实地应用转化的过渡阶段。不同研究方案之间存在明显差异,制定统一的图像采集规范与数据校准流程,能够进一步提升智能手机可视化传感平台的实用性与实地适配能力。未来,引入机器学习辅助信号处理、集成微型光学组件、简化样品前处理流程,将推动黄曲霉毒素检测技术朝着微型化、便携化、智能化方向发展。 -
用于检测牛奶中尿素、亚硝酸盐和淀粉掺假的微流控纸基分析装置(μPAD)的开发及智能手机应用辅助检测
查看原文2026
Innovative Food Science & Emerging Technologies
中科院一区JCR一区K.R. Jolvis Pou, Muthukumaran Packirisamy, & Vijaya Raghavan
食品标签
液态乳 食品安全与风险评估 化学污染物 常规理化指标测定 其他特殊成分 碳水化合物与糖类计算机标签
智能手机/其他牛奶是均衡膳食的重要组成部分,有助于生长发育和维持整体健康。然而,普遍存在的掺假现象引发了人们对其安全性和品质的严重担忧。本研究旨在开发一种微流控纸基分析装置(μPAD),用于同时检测牛奶中的尿素、亚硝酸盐和淀粉掺假;同时开发一款智能手机应用,以自动判读比色响应。研究采用直接化学图案化方法制备 μPAD。首先将微流控图案印制在透明薄膜上并用作正掩模,随后使用便携式喷笔,以恒定喷涂速率 0.15 mL/s、喷涂高度 5 mm,将 FluoroPel 800 溶液均匀喷涂于 Whatman 4 号滤纸表面,从而形成疏水图案。干燥后,在装置中分别负载用于检测牛奶样品中亚硝酸盐、尿素和淀粉掺假的特异性试剂。智能手机应用基于 Thunkable 工作空间开发,并将 Imagga 集成为应用程序编程接口(API)平台。涂层纸的接触角约为 119°±3°,证实基底已成功由亲水性转变为疏水性。结果表明,液体可完全限制在亲水区域内,未出现向涂层边界之外扩散或渗漏的现象。颜色响应分析显示,随着掺假物浓度升高,尿素检测区由低浓度时的淡黄色变为橙黄色;当亚硝酸盐掺假水平由 0.5 g/L 增至 3 g/L 时,亚硝酸盐检测区由浅紫色逐渐变为深红紫色;淀粉检测区的颜色则由初始的棕色转变为 20 g/L 时的深蓝色。智能手机应用能够有效检测 0.5~3.0 g/L 的尿素和亚硝酸盐以及 5.0~20.0 g/L 的淀粉掺假水平。掺假物含量与所观察颜色变化之间的高度相关性证明了该 μPAD 的灵敏度和可靠性。该平台可为牛奶现场掺假筛查提供一种低成本、快速的工具,尤其适用于难以开展实验室检测的资源有限地区。
-
利用比色传感器阵列和电子鼻传感器阵列的特征级数据融合检测韭菜中的普克米酮残留:异构数据融合方法的比较
查看原文2026
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Fanzhen Meng, Zijie Feng, Tianqi Wu, Mingji Wei, & Hui Jiang
食品标签
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
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 多模态/融合数据 时序传感器/物联网数据 可见光/RGB/视频数据丙环唑残留威胁韭菜的食品安全。本研究结合电子鼻(E-鼻)与颜色传感器阵列(CSA)对其丙环唑残留进行定性和定量检测。通过探讨深度学习与传统机器学习在特征级数据融合上的结构和性能差异,实现了对丙环唑残留浓度的更精确检测。实验结果表明,相较于传统特征级融合,基于卷积神经网络和长短期记忆网络注意力融合网络(CLAFNet)的多源数据融合方法可以以100%的准确率区分韭菜样品中的低、中、高丙环唑浓度。定量结果表明,结合全连接神经网络(FCN)和CLAFNet能够最好地预测百菌清浓度。因此,电子鼻和CSA是检测韭菜中百菌清残留浓度的有效工具,而CLAFNet是这些数据融合的强大工具。
-
用于检测改性和新兴真菌毒素的机器学习增强策略:进展与未来方向
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Xiyu He, Jieqiang Liu, Tong Yu, Zulipikaer Rouzi, Zhongkun Zhang, Luis Rodriguez-Saona, Yang Suo, Baima Yangjin, Aerna Yeerjiang, Min Wu, Xian Zhang, Baoshu Liu, & Siyu Yao
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 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据背景:由于检测频率不断上升及潜在的健康风险,近年来改性霉菌毒素和新兴霉菌毒素受到越来越多的关注。然而,与受监管的霉菌毒素相比,现有的分析技术在特异性、灵敏度和时效性方面仍然有限。这一差距凸显了迫切需要能够应对多样化改性和新兴霉菌毒素谱的智能检测策略。范围与方法:本综述系统地考察了改性和新兴霉菌毒素的当前污染特征及潜在风险、其传统检测方法以及机器学习支持下分析方法的最新进展。传统方法,包括色谱和免疫化学技术,将与机器学习增强的技术一同进行批判性讨论。特别强调了机器学习和算法模型在实现智能检测平台中的作用,包括光学、电化学和生物传感技术的整合。此外,还讨论了机器学习的选择、验证、当前应用、法规以及剩余挑战的前景。主要发现和结论:传统检测方法由于霉菌毒素结构多样且理化性质变化,常常在检测改性和新兴霉菌毒素时遇到困难,需要复杂的样品前处理,并且常导致准确性有限。相比之下,增强了机器学习的传感技术表现出更高的灵敏度、特异性和分析速度,使得在复杂食品基质中能够同时分析多种霉菌毒素。未来的工作应优先考虑数据库扩展、实际应用推广以及建立标准化的验证和监管。总体而言,智能检测策略在食品安全监测和公共健康风险分级方面显示出很强的潜力,尽管在技术标准化和监管认可方面仍存在挑战。