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
-
食品质量与安全评估中多模态融合技术的系统综述: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Yanqiu Xiao, Yanxin Li, Guangzhen Cui, Hua Zhang & Weili Zhang
食品标签
食品安全与风险评估计算机标签
机器学习/统计学习 深度学习 多模态基础模型 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据背景:食品掺假、微生物污染和农药残留超标等问题的频繁发生,对食品安全和公众健康构成的威胁日益加剧。这些挑战变得越来越严峻且普遍。近年来,人工智能的进步推动了单模态方法的发展。然而,由于依赖单一维度的信息,这些方法的性能受到限制。多模态融合技术的兴起有望显著改善复杂食品样本的检测效果。
范围与方法:本文系统综述了近年来在食品质量与安全检测中应用的多模态融合方法。首先回顾了常用检测模态的特点和应用,然后详细分析了在低层次、中层次和高层次三个不同层面上融合策略的实现机制。此外,还总结了这些策略在食品掺假识别、溯源和风味建模等典型任务中的应用现状。最后,本文指出了当前存在的技术挑战,并提出了未来的潜在研究方向。
主要发现与结论:多模态融合方法在提高食品检测模型的准确性和稳定性方面具有巨大潜力。与传统的单模态方法相比,多模态策略在食品质量与安全检测中具有明显优势。这些优势源于其能够更有效地融合来自多个来源的不同类型信息。然而,当前的多模态融合方法在实际应用中仍面临一些挑战。随着人工智能技术的不断进步,多模态融合方法有望在食品安全检测中得到更广泛的应用。这种更广泛的应用将为食品安全监管提供有力支持。 -
迈向以人为本的食品制造业新工业5.0范式:人工智能驱动的纳米级智能营养载体数字化
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Sana Yakoubi
食品标签
过程优化与控制策略 动力学建模 数值仿真 蛋白质与氨基酸计算机标签
机器学习/统计学习 大模型与 LLM 图神经网络 定量预测/回归分析 设计/生成与推荐 模拟与数字孪生背景:在精准食品工程时代,人工智能驱动的蛋白质结构预测、先进的分子对接技术以及数字孪生技术的融合,标志着自适应递送系统的发展出现了范式转变。纳米级食品递送系统的精准设计日益依赖于准确预测蛋白质与复杂食品基质之间相互作用的能力,这对于优化包封、稳定性和营养物质的可控释放至关重要。
范围与方法:本综述探讨了用于蛋白质结构建模和蛋白质-基质相互作用(PMIs)预测的计算工具的最新进展。它涵盖了重新定义分子建模能力的基于模板、从头设计、混合以及深度学习方法。本综述还评估了人工智能在增强分子对接算法方面的作用,特别是通过图神经网络、自然语言处理和基于Transformer的模型。此外,它还研究了数字孪生技术实时虚拟化和模拟分子行为的潜力,为动态、智能的食品系统设计创造了机会。
主要发现与结论:计算和人工智能驱动的方法正以前所未有的准确性改变着蛋白质结构建模和PMIs预测的能力。这些进展有助于设计更有效的生物智能包封系统,专门用于提高营养物质的稳定性和靶向递送。数字孪生技术通过实现递送系统性能的实时模拟和优化,对这些发展起到了补充作用。综上所述,本综述整合了这些跨学科工具,为下一代数据驱动、个性化且可持续的用于控释的生物智能食品系统提供了路线图,从而推动了精准食品工程的前沿发展。 -
工业4.0背景下人工智能驱动的智能包装技术在食品供应链中的应用、挑战与前景
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xinlei Yu, Zhen Wang, Zhipeng Gao, Haoyu Lang, Xuefei Shao & Zhaolong Liu
食品标签
包装设计与机械性能 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 深度学习 分类/鉴别/等级评定背景:食品包装系统是食品供应链的关键组成部分。其功能不仅限于保护食品免受微生物污染、化学渗透和物理损坏,还直接影响供应链的整体运营效率。工业4.0概念的出现以及人工智能(AI)的快速发展,加速了传统包装向智能包装系统的转型。这一转变显著提高了供应链各个环节的透明度、响应能力和安全性。
范围与方法:本文全面综述了工业4.0背景下智能包装技术的发展及当前应用。深入分析了人工智能驱动的智能包装在食品供应链中的关键作用和应用,重点关注四个主要方面:物理防护、实时质量监测、可追溯性以及可持续包装材料。此外,本文提出了创新性的“工业4.0下人工智能驱动的智能食品包装框架”,并强调了将人工智能与其他工业4.0技术相融合的重要性。
主要发现与结论:人工智能驱动的智能食品包装系统在现代食品供应链中展现出巨大潜力。它们有效解决了传统包装在新鲜度监测、可追溯性提升、食品安全以及包装可持续性方面存在的局限性。这些系统在学术研究和商业应用领域都具有很强的潜力。 -
非侵入式与传统系统在肉制品质量评估与真伪鉴别中的整合应用:一篇包含文献计量分析的综述
查看原文2025
Food Chemistry: X
中科院一区JCR一区Asima Saleem, Aysha Imtiaz, Sanabil Yaqoob, Muhammad Awais, Kanza Aziz Awan, Hiba Naveed, Ibrahim Khalifa, Sezai Ercisli, Robert Mugabi, Saqer S. Alotaibi, Gulzar Ahmad Nayik, Jian-Ya Qian & Qing Shen
食品标签
肉类/蛋类与水产品 品质、结构与理化性质 食品安全与风险评估 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/拉曼光谱数据全球肉类需求的不断增长以及价格波动,引发了人们对肉类安全、掺假和可追溯性的担忧。传统方法耗时、费力且依赖试剂,这限制了它们在快速检测或现场筛查中的应用。本综述全面概述了新兴的非侵入性技术,如荧光光谱、近红外光谱、中红外光谱和拉曼光谱,这些技术可用于评估肉类质量和检测掺假。本综述的主要创新点在于将文献计量分析与对符合联合国可持续发展目标的先进技术的批判性评估相结合。此外,综述还强调了混合系统的潜力,这类系统将光谱学与化学计量学和机器学习相结合,能够提供准确、实时且可持续的肉类真伪鉴别解决方案。同时,综述也指出了研究空白,例如需要多掺假物检测模型、标准化的验证协议以及开放获取的光谱数据库。通过使创新与监管及可持续发展框架相契合,本综述倡导采用稳健、可扩展的解决方案,以构建面向未来的肉类供应链。
-
葡萄酒中挥发性有机化合物特征的深入分析:集成智能感官与代谢组学技术、化学计量学和机器学习模型的系统研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Rui Xie, Jiawen Liu, Yutao Li, Yong Chen, Tian Shen, Meilong Xu, Yanlun Ju, Yulin Fang & Zhenwen Zhang
食品标签
酒精饮料 特征风味 感官科学与消费者研究 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 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 组学数据采用电子鼻、顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)和顶空-气相色谱-离子迁移谱联用(HS-GC-IMS)技术,对“ Dornfelder”(DF)、“ Petit Verdot”(PV)、“ Pinot Noir”(PN)、“ Sangiovese”(SV)和“ Malbec”(MB)这几种葡萄酒中的挥发性有机化合物(VOCs)进行了分析。通过两种技术共鉴定出94种挥发性有机化合物。具体而言,HS-SPME-GC-MS鉴定出70种化合物(其中醇类物质的浓度占比为52.56%-68.75%),HS-GC-IMS鉴定出36种化合物(其中酯类物质的浓度占比为35.58%-42.05%),且有12种化合物通过两种方法均被鉴定出来。通过化学计量学和机器学习分析,确定了15种关键差异挥发性有机化合物。此外,对电子鼻传感器响应与关键差异挥发性有机化合物的相关性分析表明,W2S、W2W和W5S传感器可能更适合用于预测乙酸2-甲基丁酯、3-甲基丁酸和乙酸异戊酯的含量,从而有助于快速识别PV葡萄酒。这些结果有助于了解不同品种葡萄酒之间的风味差异,并为葡萄酒风味区分、质量控制和产品开发提供理论依据。