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
-
基于不同机器学习模型结合遗传算法的液熏虹鳟鱼多品质属性预测与工艺参数优化
查看原文2025
Food Research International
中科院一区JCR一区Jumpeng Zeng, Jingyi Luo, Yu Song, Xiaoming Jiang, Peixu Cong, Yanjun Liu, Changhu Xue & Jie Xu
食品标签
鱼肉 品质、结构与理化性质 响应面分析与多因素优化 光谱/色谱/质谱等分析方法 脂质与脂肪酸 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 质构/流变/感官数据本研究的目的是通过四种机器学习模型结合遗传算法,预测并优化液熏虹鳟鱼的关键品质属性和工艺参数。研究采用Box-Behnken设计,将盐浓度(1–9 %)、烟熏液浓度(0.5–2.5 %)、烟熏温度(30–50 °C)和烟熏时间(3–5 h)与感官特性、硫代巴比妥酸反应物含量以及虾青素含量相关联。结果表明,在所有机器学习模型中,反向传播人工神经网络对多目标品质属性的预测准确度最高(R2 = 0.953,RMSE = 0.204),也高于传统的响应面方法(R2 = 0.847,RMSE = 0.376)。此外,遗传算法优化了工艺参数:盐浓度1.1%;烟熏液浓度0.93‰;烟熏温度42 °C;烟熏时间3.5 h。最后,将优化后的液熏虹鳟鱼与商业熏制鲑科产品作为参考进行比较。结果表明,与商业熏制鲑科产品相比,优化后的液熏虹鳟鱼具有显著更高的感官评分(41.6)、虾青素含量(6.62 μg/g)和多不饱和脂肪酸含量(64.99 mg/g),同时TBARS值(2.76 mg/kg)更低。挥发性成分分析证实了液熏虹鳟鱼具有均衡的风味特征,表明其市场前景良好。这是首次在熏制水产品中应用BP-ANN-GA混合模型进行多目标预测和工艺参数优化,为智能化水产食品制造提供了一个数据驱动的框架。
-
通过数字追踪和监控技术改造食品供应链
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xu Zhou, Juming Tang, Timothy L. Jacobs & I. Sam Saguy
食品标签
智能/指示型包装 包装系统中的监测与标签应用计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据背景:保质期有限的易腐食品容易变质,若在不当条件下分销或储存,可能会带来安全风险。因此,大量食品在整个分销链和家庭中被浪费。解决这一问题需要先进的技术来追踪产品和监测其保质期。
范围与方法:本综述考察了产品追踪技术(如条形码和二维码)以及保质期监测工具(包括时间-温度指示器(TTIs)和新鲜度指示器(FIs))的历史发展。重点介绍了近期将这两种技术整合的努力,并探讨了物联网(IoT)和人工智能(AI)在供应链管理中的新兴应用。
主要发现与结论:时间-温度指示器(TTIs)和新鲜度指示器(FIs)是有效的保质期监测工具。它们与产品追踪系统的整合有助于实现可追溯性和实时保质期评估。近期的商业产品,如Evigence和SpotSee公司的基于二维码的指示器,在易腐产品的冷链中显示出实际应用价值,包括新鲜农产品和母乳。然而,挑战依然存在,包括数据传输、解读、隐私、消费者接受度以及监管空白等问题。解决这些挑战需要在传感器开发、食品安全与质量、数据通信、人工智能、消费者科学和监管等领域开展多学科合作,以构建更快速、更透明、更高效的食品供应链。 -
结合高光谱成像的新型决策级融合策略用于检测大豆蛋白含量
查看原文2025
Food Chemistry
中科院一区JCR一区Jing Zhang, Zhen Guo, Chengye Ma, Chengqian Jin, Liangliang Yang, Dongliang Zhang, Xiang Yin, Juan Du& Peng Fu
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱大豆因蛋白质含量丰富,可用于人类食用或作为动物饲料。本研究采用可见-近红外高光谱成像技术与短波红外高光谱成像技术,结合三级数据融合方法对大豆种子蛋白质含量进行检测,分别为测量级融合、特征级融合与决策级融合。此外,研究提出了三种新型决策级融合方法,包括二元线性回归、基于特征的多元线性回归以及基于模型的多元线性回归。基于决策级融合构建的IVISSA-SPA-MLR模型预测性能最优,剩余预测偏差值达3.6796。研究结果表明,IVISSA-SPA-MLR模型可实现精准预测,能够有效对大豆种子蛋白质含量进行精确检测。决策级融合是一种精准高效的定量检测技术,可提升回归模型的预测性能。本研究为食品中蛋白质含量检测提供了新方法,也为数据融合研究提供了新思路。
-
振动光谱结合机器学习用于植物性食品污染物筛查的来源、进展与未来展望
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Tong Yu, Siyu Yao, Zhongkun Zhang, Alessandra Fantina Victorio Ramos, Luis Rodriguez-Saona & Jin Wang
食品标签
食品安全与风险评估 微生物安全 化学污染物 过敏原与毒性问题 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据背景:近年来,植物基食品在食品科学研究中获得了极大关注。随着植物肉、植物奶等植物基产品日益普及,确保其安全性变得至关重要,特别是应对农药残留、重金属、霉菌毒素和过敏原等污染物带来的挑战。因此,当前研究正在探索快速准确检测植物基食品中污染物的方法。
范围与方法:本文全面综述了植物基食品中污染物的来源,以及利用振动光谱结合机器学习检测这些污染物的最新进展。振动光谱与机器学习的结合已成为一种先进的检测方法,涵盖了近红外、中红外、拉曼光谱及成像技术。此外,本综述还探讨了利用这些技术开发的便携式设备和智能AI软件的进展,它们正日益满足快速高效食品安全评估的需求。
主要发现与结论:振动光谱与机器学习的结合显著提高了植物基食品污染物检测的效率,具有高灵敏度、高特异性和自动化等优势。未来,随着便携式设备和开放式人工智能的进一步应用,该领域有望实现更广泛的应用。通过整合技术创新,振动光谱结合机器学习能够在保障公众健康的同时,确保植物基食品行业的可持续发展。 -
通过低温真空炸法和基于机器学习的预测模型提升裹糊牡蛎的保质期及质量动力学
查看原文2025
Food Chemistry
中科院一区JCR一区Junbo Chu, Songyi Lin, Xiuping Dong, Bo Liu, Haiyou Dong & Simin Zhang
食品标签
软体与贝类 货架期预测与品质劣变动力学 蛋白质与氨基酸 脂质与脂肪酸计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据作为一种广泛食用的预制食品,炸牡蛎在裹糊炸牡蛎中保持营养和感官品质是个重要问题。炸锅、空气炸锅和真空炸(VF)等方法被用于制作裹糊炸蚝。以0.2%(w/w)的比例加入瓜尔胶(GG)和黄原胶(XG),以减少VF加工过程中真空压力波动引起的表面裂纹。结果显示,GG和XG结合VF显著保留了牡蛎的营养,同时减少了脂质和蛋白质的氧化。基于最佳优化的熏制牡蛎加工参数,开发了两种预测模型。模型1使用多维变量预测MAPE 2.88%和R的保质期20.9992,显示出高精度。模型2/3以储存温度/时间为输入,以质量指数为输出,有效捕捉了新鲜度的变化。本研究旨在为海鲜的开发、加工和质量控制提供理论框架。