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
-
食品制造业质量与安全控制系统中的工业4.0技术:关于收益与障碍的系统性技术-管理分析
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ayse Selcen Semercioz-Oduncuoglu & Pieternel A. Luning
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 深度学习 分类/鉴别/等级评定背景:食品行业面临着对提高质量和安全性的日益增长的需求,而传统的质量控制方法仍然劳动密集、速度缓慢且存在局限性。工业4.0(I4.0)技术展现出了潜力,但在现实世界中的应用仍然有限。推进实践需要清晰了解技术层面和管理层面的益处与障碍。
范围:本综述考察了工业4.0技术及其在食品制造业质量和安全体系中的应用现状,以及它们在产品或过程质量控制中,以及在质量控制循环要素(数据收集与分析、纠正措施和预防措施)中的适用性。随后,采用技术-管理方法对所综述研究中提到的这些技术的益处和障碍进行了分类。
主要发现和结论:在综述的研究中,人工智能(AI)主要用于产品质量控制,而物联网则支持过程质量控制。数据分析是质量循环中涉及最多的要素,人工智能具有最大的潜力。所报告的益处主要是技术层面的,重点在于污染检测和实时质量监测。管理层面的益处虽然较少被强调,但包括成本效益、更好的食品安全和危机管理以及战略改进。主要的技术层面障碍与过程和设备相关,特别是需要高质量的数据以及针对大型或复杂数据集进行耗时的人工智能模型训练。此外,由于过拟合、错误分类等问题,可靠且准确的性能仍然可能是一个障碍。管理层面的障碍大多与人员相关,包括手动标签错误和安全问题。多学科方法对于克服这些障碍和促进实地应用至关重要。 -
食品标签
其他焙烤与糖果制品 品质、结构与理化性质 质构与流变性质 显微与成像技术计算机标签
机器学习/统计学习 超参优化/自动机器学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱本研究采用了高光谱成像与人工智能相结合的方法,以识别糖替代品(阿洛酮糖和凯斯糖)并预测用这些替代品配制的饼干的质量特性。当将甜味剂的高光谱数据应用于四种机器学习模型时,与溶液和饼干面团相比,甜味剂以粉末形式及在饼干中的分类性能有所提升。尤其是随机梯度下降模型在样品形式不同的情况下都表现出显著的性能。此外,混淆矩阵显示出对蔗糖/凯斯糖和果糖/阿洛酮糖的分类倾向,因为它们具有相对相似的分子结构,这表明高光谱分析在识别复杂食品基质中糖类结构差异方面具有潜力。为了预测用糖替代品配制的饼干的质量特性(扩展因子和硬度),将甜味剂溶液的高光谱数据输入到多层感知器模型中,并在九种单独及组合的超参数条件下评估其性能。结果表明,在三层隐藏层和使用Sigmoid激活函数的条件下,模型性能达到优化。值得注意的是,该模型表现出卓越的预测性能,对于扩展因子和硬度,其准确率均超过0.93。
-
用于食品质量与安全的微生物挥发性有机化合物:代谢途径、采样与检测以及机器学习驱动的见解
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Lingchi Deng, Xue Zhao & Lin Chen
食品标签
感官科学与消费者研究 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 深度学习背景:微生物腐败和污染对食品安全与质量构成持续威胁。微生物代谢过程中产生的微生物挥发性有机化合物(mVOCs)正逐渐成为一种非侵入性生物标志物,可用于对食品质量、腐败情况和病原体活性进行快速且实时的评估。
范围与方法:本综述阐述了mVOCs在碳水化合物、蛋白质和脂质代谢途径中的代谢来源,并评估了它们在食品质量和安全变化中所起的作用。对主要的采样方法(包括顶空进样、固相微萃取、吹扫捕集和针捕集)以及分析平台(如气相色谱-质谱联用仪、气相色谱-离子迁移谱仪、傅里叶变换红外光谱仪和电子鼻)进行了对比。此外,还探讨了数据分析方面的进展,包括主成分分析、机器学习和深度学习在解读复杂mVOCs数据集时的应用。
主要发现与结论:mVOCs为食品系统中的微生物动态变化提供了灵敏、特异且可扩展的指标,在发酵监测、腐败检测和病原体识别方面均有应用。与现代分析平台及人工智能驱动的建模相结合,提升了其可解释性和工业价值。然而,仍存在一些关键挑战:缺乏标准化的采样协议和校准方法、跨实验室重现性有限,以及模型在不同食品类型和条件下的通用性较差。未来的工作应优先考虑统一协议、开放基准数据集和可解释的人工智能框架,并借助跨学科合作,以实现可靠、实时且适用于工业的基于mVOCs的监测。 -
快速代谢指纹识别结合机器学习模型识别真伪并检测植物油中精油掺假:薄荷和罗勒研究
查看原文2025
Food Chemistry
中科院一区JCR一区CH Ratna Sekhar, Samreen Khan, Abhishek Kumar Rai, Himanshu Mishra, Anoop Kumar Verma, Raj Kishore Lal, T.M. Ananda Kumar & Christopher T. Elliott
食品标签
植物油 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/拉曼光谱数据精油因其强效的抗菌特性,以及在食品保鲜、风味增香领域的应用价值而日益受到青睐,为食品行业带来了新的发展机遇。然而,精油作为食品防腐剂难以大规模推广使用,主要受制于真伪鉴别难题,而该难题根源多为低价油脂掺假行为。本研究探究了一种快速、经济且无损的检测方法,用于评估市面上常用薄荷属与罗勒属精油的真伪。该研究方法将傅里叶变换近红外光谱技术与机器学习相结合,可实现精油代谢指纹图谱的快速检测。研究对四种薄荷属植物精油和三种罗勒属植物精油进行了分析,并采用植物油掺假的市售样品对检测系统开展验证测试。结果表明,该检测方法表现优异,交叉验证决定系数、决定系数及准确率均高于0.98,特异性与灵敏度均超过98%。研究证实,傅里叶变换近红外光谱结合机器学习技术,可为解决精油真伪鉴别与掺假检测问题提供高效可行的技术方案。
-
光谱学和机器学习在谷物中霉菌毒素的无损实时检测方面的最新进展
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ghulam Mustafa, Hongmei Wang, Yuhong Liu, Liu Wang, Maratab Ali, Zhihao Yao, Haoran Quan & Kaiyu He
食品标签
小麦 玉米 大米 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 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 红外/拉曼光谱数据背景:真菌毒素对食物链中谷物的关键作用造成了破坏,对动物和人类产生有害影响。传统的检测方法需要繁琐的预处理,耗时且具有破坏性。为解决这一问题,人工智能驱动的(机器学习——ML和深度学习——DL)光谱技术已展现出作为突破性工具的潜力,通过优化可提供理想的解决方案、准确性和精密度。然而,人们对其实际应用的理解仍有限,需要进一步探索。
范围与方法:本研究综合了机器学习和光谱技术(多光谱和高光谱成像与非成像、拉曼光谱、可见-红外光谱、荧光光谱和核磁共振)在谷物(小麦、玉米和大米)真菌毒素检测中的应用。此外,本综述还涵盖了光谱技术的工作原理、光谱光的相互作用、数据预处理、特征优化、基于机器学习的预测建模以及用于决策的结果验证及其应用。
主要发现与结论:开发一个可行的、由机器学习驱动的基于光谱的真菌毒素检测系统需要全面的优化过程。这包括对机器学习模型本身进行微调,以及仔细选择和平衡多个组成部分:数据集大小、预处理方法、特征选择和提取策略、模型架构以及通过验证进行的超参数调整。此外,尽管机器学习算法发展迅速,但设计专门用于光谱真菌毒素检测的专用且稳健的模型仍然是一个活跃且不断发展的研究领域。