01 / 01

类目筛选(食品学者)

清除筛选
  • 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)

清除筛选
  • 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)

清除全部筛选
暂无筛选

标签记录(计算机学者)

深度学习

共 339 条结果

  • 生鲜农产品智能冷链物流:关键技术、挑战与未来趋势

    2026
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Jiawei Han, Chuanheng Sun, Zengtao Ji & Xinting Yang

    食品标签

    冷藏与冷冻保藏 循环经济与绿色供应链 过程监测与在线检测 过程优化与控制策略

    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

    背景:冷链物流(CCL)对于保障新鲜农产品的质量与安全、减少损耗至关重要。然而,传统的冷链物流系统存在环境感知能力弱、响应滞后以及协同效率低等问题。这些不足增加了链条断裂、产品损失和排放增加的风险。因此,迫切需要进行智能化转型,以应对高损耗和高排放的双重挑战。
    范围与方法:本综述首先阐述了智能冷链物流概念的演变过程,然后评估了在多维传感、自适应控制和协同管理方面的最新进展。综述综合了一系列具有开创性和代表性的研究,在一个整合框架内描绘了当前的现状、核心挑战和新兴趋势。
    主要发现与结论:下一代信息技术(如物联网、人工智能和区块链)推动了闭环式智能农业冷链物流的实现,通过多维传感、自适应调节和协同控制,显著提高了环境控制的精准度、能源效率和碳排放管理水平。目前仍存在诸多关键挑战,包括传感器在恶劣条件下出现漂移、多源数据融合及实时分析困难、模型对变化的适应性较差,以及区块链成本高昂且存在隐私问题等。克服这些挑战需要强大的多模态传感技术、有效的协同框架以推动绿色转型,以及具有标准化执行接口的数字孪生平台,从而增强韧性、减少产品损失并优化能源使用。

  • 基于快速 XRF 技术结合先进机器学习的红茶全球产地溯源研究

    2026
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Yicong Li, Nicholas Birse, Wanqi Jia, Manus Carey, Yunhe Hong, Xiaotong Liu, Di Wu & Christopher T. Elliott

    食品标签

    茶/茶饮料 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

    偏最小二乘法 支持向量机 随机森林 K-近邻 主成分分析/判别分析 深度学习 分类/鉴别/等级评定 质构/流变/感官数据

    建立完善的红茶溯源体系对防范茶叶欺诈至关重要。开发快速、准确、环保且便捷的红茶产地鉴别方法,对于保护地理标志(GI)产品具有重要意义。本研究采用X射线荧光光谱法,对全球十大主要产茶区的791份正宗红茶样品进行元素含量测定。检测了茶叶产品中15种元素的浓度,并构建了十大地理标志产区的特征元素图谱。此外,采用两种无监督分析技术对高维数据进行可视化处理,并运用六种监督模型对十大地理标志产区进行判别分析。结果表明,随机森林、支持向量机、k近邻、线性判别分析以及深度学习多层感知器(MLP)等机器学习模型,其预测性能均优于传统的偏最小二乘判别分析模型,其中阿萨姆红茶的识别F1分数从66.1%提升至87%–97.7%。MLP模型表现最优,在对十大地理标志产区的532份正宗样品进行产地预测时,总体F1分数达到97.7%。本研究为构建全球综合性红茶溯源体系奠定了基础,对全球范围内防范茶叶欺诈具有重要意义。

  • 基于优化机器学习的多传感器融合用于贮藏库尔勒香梨新鲜度无损监测

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    Zhongbiao He, Jiahao Yu, Xue Zhou, Tengfei Tang, Bin Chen, Huibing Wang, Jingqi Gong, Jiashuo Shi, Xiaoshuan Zhang, & Yongman Zhao

    食品标签

    新鲜水果 品质、结构与理化性质 保藏与贮藏 碳水化合物与糖类

    计算机标签

    深度学习 支持向量机 分类/鉴别/等级评定 多模态/融合数据 时序传感器/物联网数据

    高效、无损的新鲜度监测对库尔勒香梨贮藏过程中的质量控制具有重要意义。本研究构建了融合气体组成、环境参数和介电特性的多传感器信息融合策略,并结合优化机器学习模型进行新鲜度分类。研究利用气体传感器、环境传感器和介电测量采集样品信息,同时以硬度、可溶性固形物等品质指标辅助建立新鲜度等级。研究比较了反向传播神经网络、支持向量机和随机森林模型,并采用遗传算法和粒子群优化提升模型性能。研究建立了 L1-L4 介电新鲜度等级,介电参数与硬度和可溶性固形物表现出较强相关性。采用高斯核的 PSO-SVM 模型取得最佳分类效果,准确率为 97.50%,F1 值为 97.49%,偏差较低;基于。NET 的数据采集平台进一步验证了连续监测的可行性。结果表明,多传感器融合与优化机器学习可为贮藏库尔勒香梨新鲜度无损监测提供准确、实用的方法。

  • 通过协同共静电纺丝与深度学习,以蛋白质强化淀粉制备表面活性复合纤维

    2026
    Food Hydrocolloids
    中科院一区
    JCR一区
    查看原文

    Jieying Li, Peilong Li, Amin Zarei, Leila Khazdooz, Amin Zadehnazari, Arkaye Kierulf, James Smoot, Mohammad Yaghoobi, & Alireza Abbaspourrad

    食品标签

    乳清及乳清制品 碳水化合物配料 蛋白质配料 其他加工技术 微观结构与成像 显微与成像技术 蛋白质与氨基酸 碳水化合物与糖类

    计算机标签

    深度学习 过程控制与实时优化

    颗粒淀粉的应用本身受到其粒径大和表面高度亲水的限制。为解决这一问题,本研究探索采用淀粉与乳清蛋白共静电纺丝的方法,制备界面性能增强的复合纳米纤维:淀粉提供结构刚性和 pH 稳定性,而乳清蛋白赋予表面活性。研究构建并验证了一个深度学习神经网络,用于系统分析共静电纺丝过程中的形态变化规律,并揭示二者在纤维制备中的协同作用。单独使用淀粉时,在低固体分数条件下(<0.1,静电纺丝成纤率<41%)无法形成纤维;加入蛋白质(20 w/w% 和 40 w/w%)后,体系表面能降低,实现了由珠状结构向纤维结构的转变,静电纺丝成纤率达到 100%。通过调节蛋白质与淀粉的比例,纤维直径可控制在 142~581 nm。可视化技术证实,嵌入的蛋白质均匀分布于碳水化合物骨架中。纺丝后热处理可诱导纳米纤维发生氨解反应,使蛋白质浸出率由 10% 降至 3%,并增强其结构完整性。由这些热活化复合纳米纤维形成的棒状颗粒具有更高的油—水界面活性,并可制备稳定的 Pickering 乳液。本研究利用可食用生物聚合物探索调控材料形态和表面性质的策略,从而拓展其材料应用范围,同时证明深度学习可作为设计功能材料的通用平台。

  • 承诺与证据:高光谱成像能否超越概念验证用于食品源性病原体检测?

    2026
    Trends in Food Science & Technology
    中科院一区
    JCR一区
    查看原文

    Jana Schreuder, Diane Rip, & Paul James Williams

    食品标签

    微生物安全 光谱/色谱/质谱等分析方法 显微与成像技术

    计算机标签

    深度学习 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据

    背景:遵守食品安全标准是管理食品制造中财务和声誉风险的核心,这反过来推动了对快速病原体检测的需求。近红外高光谱成像(NIR-HSI),即近红外光谱与成像的结合,已成为一种有前景的、快速的、无损的工具,用于检测食源性病原体,并在各种基质上区分属、种和血清型。范围与方法:本综述从基础光谱学原理到实际应用,对NIR-HSI在病原体检测中的证据进行了批判性评估。它总结了在培养基、涂片和食品上的当前应用,比较了NIR-HSI与已有的培养、PCR、ELISA和MALDI-TOF方法,并审查了用于数据分析的化学计量学和深度学习方法。主要发现和结论:在已发表的研究中,有用的光谱带主要集中在可见近红外(VNIR)仪器的可见区域。然而,其潜在的生化机制仍然定义不清,这削弱了该技术在实际环境下的稳健性信心。大多数模型建立在小型、同质的数据集上,这些数据集往往缺乏微生物学现实性,对参考方法的验证不完整,并且几乎没有对不同基质、仪器或混合微生物群落的稳健性进行评估。意义和新颖性:在快速病原体检测领域,本综述阐述了澄清光谱指纹的机制基础、将深度学习与可解释的化学计量学结合以及标准化验证和报告,如何可能推动近红外高光谱成像(NIR-HSI)超越概念验证阶段。它还确定了现实的近期应用领域,例如在高通量实验室中的样品分流和血清型导向筛查,在当前技术限制下,近红外高光谱成像(NIR-HSI)可能提供实际的好处。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号