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
-
基于近红外光谱结合模型转移方法,提高高地大麦多质量属性检测准确性和普遍性的策略
查看原文2025
Food Chemistry
中科院一区JCR一区Linglei Li, Long Li, Jingfeng Li, Jingjing Yang, Lang Jia, Bei Fan, Litao Tong, Liya Liu, Yatao Huang, Xiaolong Yang, Fengzhong Wang & Lili Wang
食品标签
杂粮 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 碳水化合物与糖类 多酚与黄酮计算机标签
机器学习/统计学习 迁移学习/领域自适应 定量预测/回归分析 红外/拉曼光谱数据本研究利用直接标准化(DS)、分段直接标准化(PDS)和DS-PDS算法,促进高地大麦(HB)检测过程中模型在仪器间的转移,并校准不同状态下的HB样品。模型转移后,从属仪器结果显著改善。经过DS处理后,总淀粉(预测集相关系数R)取得了最佳结果 p = 0.903),淀粉质(Rp= 0.936),β-葡聚糖(Rp= 0.929)。经过DS-PDS处理后,蛋白质(R)获得了最佳结果p= 0.855)和总苯酚(Rp = 0.937)。此外,经过散射校正后,晶粒的结果得到了进一步提升。唐氏综合症治疗后,全淀粉(R)p = 0.873),淀粉质(Rp= 0.950),蛋白质(Rp= 0.899),β-葡聚糖(Rp= 0.899),以及总孔(Rp= 0.965)证明了最优性能。总体而言,本研究通过有效的模型转移和晶粒散射校正,显著提升了模型的普遍性和准确性。
-
多元曲线分辨率结合偏最小二乘判别分析与可见-近红外高光谱成像用于大米真实性鉴别
查看原文2025
Food Research International
中科院一区JCR一区Maryam Dehbasteh, Nima Naderi Tehrani & Hadi Parastar
食品标签
大米 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集大米是全球近一半人口的主食,在亚洲尤其是一种重要的农产品。然而,欺诈行为,如将优质与劣质大米品种混合并以高价出售,给该行业带来了巨大挑战。本研究旨在利用可见-短波近红外高光谱成像技术对大米样品进行真实性鉴别。为此,研究从伊朗北部三个省份(吉兰、马赞德兰和戈勒斯坦)获取了163个完整大米样品,包含四个不同品种(Hashemi、Shiroodi、Fajr和Neda)。使用HSI设备扫描样品以记录其三维数据。将不同样品的HSI数据按列方向组合成增强数据矩阵,其中行代表不同样品的像素,列代表波长。采用多元曲线分辨率-交替最小二乘法提取了目标组分的纯空间分布图和光谱轮廓。由于劣质大米样品被视为优质样品的掺假物,所获数据被用于根据产地鉴别样品以及进行掺假检测。据我们所知,MCR-ALS算法此前尚未被用于完整形态大米的真实性鉴别。进一步对样品的光谱解析轮廓应用了化学计量学分析,包括主成分分析和偏最小二乘判别分析。这使得我们能够区分三个不同产地和四个品种的大米样品,并进行掺假检测,在预测集中分别实现了94.4%、82.75%和100%的分类准确率。这一结果表明,成像方法用于快速、经济、非破坏性的食品真实性鉴别具有实际可行性。
-
基于机器学习与组学技术的食源性病原体及抗菌素耐药性预测建模:系统综述
查看原文2025
Food Research International
中科院一区JCR一区Charles Obinwanne Okoye, Stanley Ebbohimhen Abhadiomhen, Bonaventure Chidi Ezenwanne, Xunfeng Chen, Huifang Jiang, Yanfang Wu & Jianxiong Jiang
食品标签
微生物安全 微生物与发酵实验计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品体系的全球化增加了沙门氏菌、单核细胞增生李斯特菌和弯曲菌等食源性病原体的风险,而不断上升的抗菌素耐药性(AMR)加剧了这一风险。传统的病原体鉴定和AMR风险监测方法通常劳动密集且通量低,而单组学方法无法捕捉微生物的复杂性。此外,依赖单一的机器学习模型限制了预测的稳健性,给食品安全和公共卫生带来挑战。本系统综述评估了整合组学技术(基因组学、宏基因组学、转录组学)的基于机器学习的预测模型在食源性病原体和AMR风险监测中的应用。遵循PRISMA指南,从PubMed、Scopus等数据库(2015-2025年)筛选了1245篇文章,最终纳入13项相关研究。这些研究应用了随机森林、极限梯度提升和支持向量机等机器学习算法以提高预测准确性。所选研究显示预测准确率高达99%,AUROC评分超过0.90。主要发现包括沙门氏菌毒力的遗传标记、李斯特菌与水果和乳制品的关联性,以及在禽类中发现的145个可移动抗菌素耐药基因。尽管取得了这些进展,但样本量小、元数据不一致、过拟合和计算可扩展性等局限性阻碍了实际应用。本综述强调了机器学习驱动的组学框架在革新食源性病原体和AMR风险监测方面的潜力,为建立更智能、更具韧性的食品安全系统铺平了道路。然而,方法学上的不一致需要标准化协议、更大的数据集和可解释人工智能来提高全球食品安全监测中的可靠性和适用性。
-
人工智能辅助的挥发性和生物胺传感器在食品新鲜度智能监测中的应用——最新进展、挑战与未来展望
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xiaobo Zhang, Yifan Guo, Xiuwen Wang, Jingli Yuan, Qiuyue Zheng, Bing Hu, Ronggang Liu & Jijuan Cao
食品标签
微生物安全 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 分类/鉴别/等级评定背景:食品在储存、运输和分销过程中的早期腐败对食品安全和人类健康构成严重威胁。因此,开发集成了新鲜度监测功能的智能食品包装系统具有重要意义。挥发性生物胺(VBAs)是衡量食品新鲜度的关键指标。尽管传统的VBAs传感器已得到广泛应用,但在灵敏度、准确性和便携性方面仍面临挑战。近年来,人工智能(AI)的出现为新型传感材料的筛选、传感器性能的优化以及传感机制的探索开辟了新途径。人工智能在开发高性能智能VBAs传感器方面展现出巨大潜力。
范围与方法:本综述全面总结了过去五年中,集成人工智能的VBAs传感器在食品新鲜度实时监测和智能包装领域的最新进展。主要涵盖了VBAs传感器的响应模式、传感材料及其检测机制。此外,综述还重点介绍了智能手机集成、机器学习、无线传输和自供能系统在VBAs监测和智能食品包装中的最新应用。同时,讨论了人工智能辅助的VBAs传感器目前存在的局限性及未来展望。
主要发现与结论:人工智能辅助的VBAs传感器通过实时处理复杂的多维数据,显著提升了检测性能,推动食品新鲜度检测技术从“被动监测”向“智能决策”发生变革性转变。然而,其在设备兼容性和多目标同时检测方面仍面临挑战。未来,跨学科合作有望推动下一代智能传感器的创新,促进食品安全监测技术的持续发展。 -
增强安全与质量的智能食品认证技术进展
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Mansoor Ahmad Bhat, Mohd Yousuf Rather, Prabhakar Singh, Saqib Hassan & Naseer Hussain
食品标签
食品安全与风险评估 过程控制与数字化计算机标签
机器学习/统计学习 分类/鉴别/等级评定背景:食品认证对于确保全球食品供应链的安全、质量和可追溯性至关重要。随着食品欺诈和掺假事件的增加,需要先进的方法来验证产品的真实性。传统方法通常存在不足,因此有必要整合人工智能(AI)、机器学习(ML)、物联网(IoT)和区块链等技术。
范围与方法:本综述探讨了AI、ML、IoT和区块链技术在食品认证中的应用。评估了它们在提高认证过程的准确性、效率和透明度方面的有效性。综述分析了最新的进展和应用,全面阐述了智能食品认证的现状和未来前景。
主要发现与结论:AI和ML算法被用于分析大量数据集,识别表明食品欺诈的模式。IoT设备能够实时监控食品供应链,确保符合质量标准。区块链技术提供了安全透明的记录保存方式,彻底改变了从农场到餐桌的可追溯性。这些技术提供了无与伦比的准确性、效率和可追溯性,确保了食品的真实性和安全性。本综述强调了它们在加强全球食品供应系统、应对现代供应链挑战以及满足监管标准和消费者需求方面的潜力。
本综述突出了将先进技术整合到食品认证过程中的变革潜力,为建立更安全、更可信的食品供应链铺平了道路。