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
-
食品工业中的细菌多糖:合成-结构-性质关系、人工智能驱动的创新、监管挑战与生物经济前景
查看原文2025
Carbohydrate Polymers
中科院一区JCR一区Muhammad Wajid Ullah, Sehrish Manan, Khulood Fahad Alabbosh, Mazhar Ul-Islam, Omar Mohammad Atta, Asif Ali Khan, Yimin Fan, Khalid Ali Khan, Noureddine Elboughdiri & Zhiguo Wang
食品标签
碳水化合物配料 加工与新加工技术 其他品质相关性质 抗氧化/抗炎等功能 包装设计与机械性能 其他可持续性主题 微生物与发酵实验 标准与法规对比分析 碳水化合物与糖类计算机标签
机器学习/统计学习 深度学习 过程控制与实时优化 设计/生成与推荐 文本/知识库/法规数据这篇综述性论文对应用于食品工业的细菌多糖进行了全面深入的探讨。与传统植物、海藻及动物来源的多糖相比,细菌多糖在大规模生产效率和定制化功能特性方面展现出显著优势。这些优势源于其良好的可控生物合成过程,可赋予材料高粘度、凝胶性、成膜性,以及乳化、抗氧化和抗菌等多种功能特性,非常适合于作为功能性食品配料和包装材料。本文系统性地阐述了细菌多糖的分子生物合成机制、结构-性质-功能之间的关系,深入分析了其作为食品成分和包装材料的物理化学及生物学特性。同时,该文前瞻性地探讨了人工智能技术在细菌多糖研究中的变革性作用,特别是在优化合成过程、增强结构-性质建模与功能预测能力、以及加速满足监管要求等方面,认为人工智能驱动的方法是实现可持续发展和满足消费者需求的食品创新的关键。最后,文章也指出了当前阻碍这些多糖实现完全商业化应用的主要挑战,如产量和性质的波动、下游分离纯化困难等,并对其在生物经济领域的应用前景进行了展望。总体而言,这篇综述为读者理解各种细菌多糖在创新食品配方中的应用和益处提供了一个全面的视角。
-
利用基于X射线荧光的元素剖析结合化学计量学和机器学习,对菲律宾罗布斯塔咖啡(C. canephora)进行地理产地分化
查看原文2025
Food Chemistry
中科院一区JCR一区Krizzia Rae S. Gines, Emmanuel V. Garcia, Rosario S. Sagum & Angel T. Bautista VII
食品标签
咖啡饮料 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
机器学习/统计学习 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱高价值作物对真伪和可追溯性的需求日益增长,凸显了需要可靠的方法来验证单一产地咖啡的地理来源并防止欺诈。本研究探讨了一种快速且经济高效的方法,结合能量分散X射线荧光(EDXRF)元素剖析,结合化学计量学和机器学习技术。分析了来自菲律宾四个省份的43个绿色罗布斯塔咖啡样品中十种元素(K、P、Ca、S、Cl、Fe、Cu、Mn、Sr、Zn)的浓度,以评估产地差异。主成分分析(PCA)显示出明显的聚类模式,而线性判别分析(LDA)则实现了79%的分类准确率。随机森林(RF)的准确率提升至84%,凸显了其地理分类潜力。本研究为利用XRF元素剖析技术区分罗布斯塔咖啡的产地提供了概念验证,为菲律宾咖啡行业的真实性和可追溯性系统开发提供了基础数据。
-
利用区块链与人工智能控制食品加工环境中生物膜的研究进展
查看原文2025
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Chowdhury Sanat Anjum Reem, Md Anamul Hasan Chowdhury, Md Ashrafudoulla & Sang-Do Ha
食品标签
微生物安全 生物膜与耐受性研究计算机标签
机器学习/统计学习 定量预测/回归分析 缺陷/异物检测与定位 时序传感器/物联网数据 文本/知识库/法规数据食品加工环境中的生物膜形成因其对常规清洁和消毒方法具有抗性,对食品安全和质量构成了重大威胁。这些具有韧性的微生物群落会导致污染、腐败和食源性疾病,这凸显了对创新且技术驱动的控制策略的需求。新兴的数字工具,特别是区块链技术和人工智能(AI),为加强生物膜管理提供了新的机遇。区块链能够确保供应链中卫生记录、污染事件和合规活动的安全、实时可追溯性。作为补充,人工智能技术(如机器学习和基于传感器的分析)有助于早期检测微生物生长、识别异常情况和进行预测性风险评估。这些工具共同促进了数据驱动的决策制定和更积极主动的污染预防。虽然试点应用在提高透明度和卫生效果方面显示出潜力,但挑战依然存在,包括数据整合、实施成本和监管障碍。解决这些问题需要跨学科合作和有利的政策框架。本综述总结了区块链和人工智能在生物膜控制方面当前及潜在的作用,并概述了未来研究和工业应用的方向。
-
多元风味分析技术融合策略用于鉴别陈年酱香型白酒
查看原文2025
Food Chemistry: X
中科院一区JCR一区Dan Wang, Yan Chen, Xinyu Ma, Xiaobing Zhang, Ji Zhang, Siqian Guo, Jingming Li & Liping Xiang
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法 其他理化与结构表征 风味组学计算机标签
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 时序传感器/物联网数据 组学数据本研究探索了通过多元数据分析和机器学习技术测定酱香型白酒年份的有效方法。考虑到白酒储存过程中风味的复杂动态变化,本研究整合了气相色谱-质谱联用(GC-MS)、气相色谱-离子迁移谱(GC-IMS)、电子鼻(E-nose)和电子舌(E-tongue)四种分析技术,构建了白酒的多层风味图谱。在此基础上,进一步构建了四种分类模型。融合数据策略结合合成少数类过采样技术(SMOTE)的过采样方法和神经网络,显著提高了陈年白酒(1年至30年)测定的准确率(0.96)和精确率(0.97)。研究筛选出28个重要特征,包括糠醛、2-己醇(GC-MS)、65号区域(GC-IMS)和苦味(电子舌)。此外,还探讨了不同数据源之间的潜在相关性。电子舌检测到的涩味与气相色谱-质谱联用检测到的乳酸乙酯以及气相色谱-离子迁移谱检测到的40号区域呈正相关。
-
机器学习为肉类样品中组胺测量的稳定电化学生物传感器提供了一个步骤
查看原文2025
LWT
中科院一区JCR一区Seyed Mahdi Mousavi, Keyvan Asefpour Vakilian, & Alireza Soleimanipour
食品标签
畜肉 鱼肉 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
机器学习/统计学习 超参优化/自动机器学习 定量预测/回归分析 时序传感器/物联网数据传统的电化学组胺生物传感器由于酶的稳定性短和线性检测范围有限而面临诸多限制。本研究介绍了一种将电化学与机器学习结合的生物传感器装置,以应对这些挑战并提高灵敏度、稳定性及长期性能。电化学单元的设计采用与铁氰化钾共固定的二胺氧化酶作为电子介体,并结合壳聚糖-金纳米颗粒冷冻凝胶以增强导电性,所有装置均应用于印刷碳电极。该结构通过在相对于银墨伪参考电极的200 mV下进行计时安培法,实现了0.5 - 90 ppm的宽线性检测范围和0.1 ppm的低检测限。对于机器学习部分,使用含有不同组胺浓度(0 - 200 ppm)、电极储存温度(4 - 8 ℃)和电极使用寿命(0 - 45 天)的样品的计时安培电流数据训练了各种模型。通过遗传算法优化的人工神经网络即使在非线性范围内也能准确预测组胺浓度,性能优异(R² = 0.95,RMSE = 13.2 ppm),并在储存温度为 4 - 8 ℃ 时可保持长达 40 天的可靠性。当在牛肉和鳟鱼样品中与 ELISA 方法进行验证时,该生物传感器显示出更高的精确度。电化学与机器学习相结合的方法提供了一种快速且稳定的肉类变质检测工具。