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
-
人工智能助力多维信息融合:食品质量与安全评估的数据收集、处理及建模
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Hengrui Zhang, Yuandong Lin, Shilin Cao, Jun-Hu Cheng & Xin-An Zeng
食品标签
食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 多模态基础模型 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 时序传感器/物联网数据 多模态/融合数据背景:随着全球食品供应链日益复杂,以及对高效无损评估方法的需求不断增加,食品质量与安全保障面临着重大挑战。新兴的多维数据融合技术正致力于解决这些挑战。在人工智能驱动下,机器学习(ML)和深度学习(DL)方法大幅提升了高维数据的处理效率。通过这些方法整合多模态数据源,能够实现对食品质量全面、快速且无损的监测。
范围与方法:本综述系统总结了通过多维数据融合技术在食品质量与安全检测方面的最新进展。全面考察了包括数据采集、处理和建模在内的整个工作流程。介绍了一维数据(如声音和气体传感器)、二维数据(如视觉成像)和三维数据(如高光谱成像和计算机断层扫描)的最先进采集方法。讨论了适用于各种数据类型和维度的常见数据处理技术与特征提取方法,并重点阐述了它们在异构数据整合中的作用。此外,还阐述了机器学习和深度学习方法在多维数据融合中的应用,着重分析了它们对提高食品质量监测系统的准确性、稳健性和可扩展性所产生的影响。同时,也探讨了一些代表性应用,如食品质量检测、污染监测和成分分析等。最后,探讨了多维数据融合技术在食品质量评估中面临的挑战及未来发展方向。
主要发现与结论:在先进的机器学习和深度学习方法的推动下,基于多模态数据融合的检测技术在食品质量评估方面展现出优于单模态方法的潜力。通过整合多个传感器的数据,为无损食品质量监测提供了高效、稳定且准确的解决方案,这与食品工业5.0不断增长的需求相契合。随着人工智能技术的持续进步,利用多维数据融合的检测解决方案有望成为智能食品质量评估的主流方法,为复杂的供应链提供更高的准确性和效率。 -
人工智能算法辅助生物传感器检测食源性病原菌:最新进展与未来趋势
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Zhuowen Deng, Yong-Huan Yun, Nuo Duan & Shijia Wu
食品标签
探针与分析传感材料 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据背景:检测食源性病原菌是食品安全的一个关键方面,需要快速、准确和可靠的检测方法。尽管传统生物传感技术已取得显著进展,但在灵敏度、准确性和适应性方面仍面临挑战,尤其是在复杂的食品基质中。人工智能算法,特别是机器学习和深度学习技术的整合,在克服这些挑战和显著提高生物传感器性能方面显示出巨大潜力。
范围与方法:本综述探讨了AI算法(聚焦于ML和DL技术)在增强食源性病原菌检测生物传感器方面的应用。它对不同的AI模型进行了比较分析,并推荐了适用于各类生物传感器(包括表面增强拉曼光谱、荧光、比色和电化学生物传感器)的算法。本文还探讨了这些算法在食品安全中的实际应用和局限性,并概述了潜在的未来方向。
主要发现与结论:AI算法辅助的生物传感器显著提高了病原菌检测的准确性和效率。这些算法使生物传感器能够实时处理复杂的多维数据,提高了其在多样化和具有挑战性的食品样品中检测病原体的能力。尽管取得了显著进展,但在算法适应性和设备兼容性方面仍存在挑战。本综述强调了AI辅助生物传感器在推进食品安全检测技术方面的变革潜力,重点关注推动食品行业未来的创新与应用。 -
从被动包装到具备自我感知的包装:灵活的传感器与人工智能集成助力智能、可持续的食品包装
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Zhixin Jia, Hongwei Hou, Huan Chen, Yaning Fu, Wenjun Mu, Xinting Yang & Jingbin Zhang
食品标签
智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链计算机标签
机器学习/统计学习 卷积神经网络 循环神经网络 模型可解释性 分类/鉴别/等级评定 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 多模态/融合数据背景:全球农业食品领域在确保食品质量、安全和可持续性方面面临着长期挑战。传统包装仅起到被动阻隔的作用,无法实时监测食品的物理化学或微生物变化。这一局限性使得人们不得不依赖保守的保质期,进而导致大量食品浪费。智能交互包装通过检测和传递食品的动态状况来解决这些问题。
范围与方法:本综述对柔性传感器材料(包括导电聚合物和碳基纳米材料)及其与无线通信系统和能量收集技术的集成进行了批判性评估。它还评估了用于新鲜度评分和保质期预测的机器学习驱动的人工智能(AI)方法。通过涉及传感器贴片、嵌入式薄膜、物流优化和消费者界面的案例研究,对实际应用进行了综述。
主要发现与结论:柔性传感器能够在毫米尺度上监测温度、湿度、气体、pH值和微生物代谢物,而卷对卷印刷技术支持将其大规模集成到包装中。人工智能驱动的流程处理多模态传感器数据,以生成新鲜度评分、估计保质期并检测异常。这些系统采用回归模型、树基模型以及通过可解释人工智能技术增强的卷积神经网络和循环神经网络。传感器贴片、嵌入式薄膜和人工智能驱动的物流的实际应用已实现了食品腐败的减少。尽管取得了这些进展,但在解决传感器漂移、实现能量自主(即通过车载能量收集和管理实现独立运行的系统)、确保材料循环性以及满足监管要求方面仍存在挑战。未来的工作应侧重于整合自修复材料、改进能量收集、可生物降解电子器件和人机交互,以实现可持续的自主智能包装系统。 -
机器学习与蛋白质组学的融合推动食品真实性与掺假控制
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Hongfei Li, Hanlin Mo, Yu-Chen Song, Guanying Chen, Cai-E Wu & Fu-Yuan Zhu
食品标签
食品安全与风险评估 蛋白质组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据背景:全球食品欺诈事件的频率不断上升,对食品安全构成了严重威胁,迫切需要开发有效的应对措施。作为一种尖端技术,机器学习极大推动了传统方法在食品安全领域的发展。作为一种高通量工具,蛋白质组学被广泛应用于食品真实性和掺假检测的综合理解。然而,将机器学习整合到蛋白质组学中既是必不可少的,也充满了挑战。
范围与方法:本综述的主要目标是,从其在食品真实性和掺假控制中的应用中汲取见解,深入探讨实现机器学习无缝整合所需的食品蛋白质组学优化。随后,我们旨在强调最近利用机器学习辅助的蛋白质组学来提高食品安全性的研究。最后,我们评估了在蛋白质组学方法学中整合先进机器学习技术的潜在应用。
主要发现与结论:尽管机器学习辅助的蛋白质组学是一个快速发展的领域,尚未成为食品科学或工业的标准实践,但最近的应用已经证明了其在与机器学习结合时能够提高食品蛋白质组学分析的效率和准确性。此外,机器学习与蛋白质组学方法学的融合有望在模型深度和鲁棒性方面取得进一步进展,凸显了机器学习辅助蛋白质组学在未来保障食品安全方面的巨大潜力。 -
基于机器学习的iCASE策略定制工业酶以实现热稳定性和活性进化
查看原文2025
Nature Communications
中科院一区JCR一区Nan Zheng, Yongchao Cai, Zehua Zhang, Huimin Zhou, Yu Deng, Shuang Du, Mai Tu, Wei Fang & Xiaole Xia
食品标签
食品添加剂与配料 蛋白质配料 过程控制与数字化 过程优化与控制策略 数值仿真计算机标签
机器学习/统计学习 定量预测/回归分析由于稳定性和活性之间存在权衡关系,因此在酶进化过程中,获得具有高活性和稳定性的酶一直是一个难以实现的目标。在此,我们开发了一种等温压缩系数辅助的动态挤压指数扰动工程(iCASE)策略,用于构建具有不同复杂度的酶的分层模块网络。分子机制分析表明,适应性进化的峰值是通过变异体之间的结构响应机制实现的。此外,利用基于结构的监督式机器学习建立的这种动态响应预测模型可用于预测酶的功能和适应性,能够在不同数据集上表现出稳健的性能,并对共因效应进行可靠预测。通过四种具有不同结构和催化类型的酶验证了 iCASE 策略的通用性。这种基于机器学习的 iCASE 策略为酶的适应性进化研究提供了指导。