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 187 条结果
-
通过傅里叶变换近红外光谱对花生油中矿物油污染的定性和定量分析
查看原文2025
Food Chemistry
中科院一区JCR一区Jihong Deng, Hui Jiang& Quansheng Chen
食品标签
植物油 品质、结构与理化性质 化学污染物 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 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据新型污染物对食用油安全构成潜在威胁。本研究将傅里叶变换近红外光谱技术与化学计量学方法相结合,对花生油中的五种污染物进行定性与定量分析。研究结果表明,偏最小二乘判别分析分类模型可有效区分正常样品与受污染样品,分类准确率达100%。在具体污染物识别方面,该模型对柴油、白矿油和润滑油的识别准确率为100%,对煤油和机油的识别准确率为97.04%。定量分析结果显示,支持向量回归模型对柴油、白矿油和润滑油具有较高的预测精度,而偏最小二乘回归模型对煤油和机油表现出良好的预测能力。因此,近红外光谱技术可作为食用油安全监测的有效手段。
-
机器学习辅助的双模式水凝胶传感器用于亚硝酸盐检测
查看原文2025
Chemical Engineering Journal
中科院一区JCR一区Siqi Yang, Baozhu Jia, Jie Liu, Fanxuan Gong, Hong Wang, Hong-Jiao Lei & Zhenlin Xu
食品标签
化学污染物 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析亚硝酸盐(NO )的现场精准检测对保障食品安全与人类健康至关重要。本研究开发了一种便携式双模式水凝胶传感器,通过结合比率荧光与比色检测技术,实现了食品样品中亚硝酸盐的精准监测。该传感器通过将石墨烯量子点(GQDs)嵌入琼脂糖水凝胶基质中制备而成。蓝色发射型GQDs(λ=450 nm)作为比率参照基准,可被橙色发射型苯并三唑(BTA,λ=578 nm)有效猝灭——后者由亚硝酸盐与邻苯二胺(OPD)通过重氮偶联反应生成。该反应产生了亚硝酸盐浓度依赖的比率荧光响应,同时伴随BTA形成导致的黄色显色增强。针对现场应用场景,本研究构建了便携式水凝胶检测试剂盒,并采用反向传播人工神经网络(BPANN)实现亚硝酸盐诱导信号变化的智能解析。该传感器展现出卓越的检测灵敏度:荧光模式检出限为2.1×10 mg/L,比色模式达0.088 mg/L,水凝胶体系则达到0.07 mg/L。该便携式平台具备跨平台兼容性,可实现人工智能辅助的快速检测(<15分钟),为食品与环境安全监测提供了创新技术手段。
-
AI 赋能分子编辑为农药发现开辟新方向
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Wei Wang, Yu Chen, Dao-Hong Gong, Run-Jiang Song, Lang Pan, Heng-Zhi Wang, Lian-Yang Bai, W.M.W.W. Kandegama, Pradeepa C. Gunathilake Bandaranayake, Lei Lian, & Ge-Fei Hao
食品标签
复合/即食/餐饮食品 化学污染物 其他特殊成分计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主数字技术快速发展,为农药发现提供了关键工具,对农业生产力和粮食安全具有重要意义。其中,分子编辑器已成为该领域的基础性工具。然而,现有分子编辑器仍缺乏用于优化计算机辅助农药发现的高级功能。本文提出三项增强方向:生成具有实践可行性的候选分子合成策略;借助 AI 技术生成二维结构分子;基于二维结构分子寻找可能的可靶向口袋和位点。作者认为,这些观点有助于推动 AI 驱动分子编辑进一步发展,使其更好地服务农药发现。
-
基于智能手机的实时、可逆检测Co的分析平台2+镍2+铜2+,以及Zn2+离子
查看原文2025
Food Chemistry
中科院一区JCR一区Manpreet Kaur, Virender Virender, Jasbir Singh, Ashwani Kumar & Santosh Kumar Dubey
食品标签
其他谷物与块根 化学污染物 光谱/色谱/质谱等分析方法 锌 其他矿物质计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据本研究探讨了新的Schiff碱基配体(Z)-N′-(1-(2-羟基-5-甲氧基苯基)乙基苯甲基(L)-3-甲氧基苯并肼(L),作为一种便携且选择性检测Co的传感器2+镍2+铜2+,以及Zn2+离子。我们假设L可以通过光学变化实现实时、可逆的金属离子传感,并适用于基于智能手机的分析。通过紫外-可见光、荧光、环伏安法和核磁共振技术研究了金属配体的相互作用。配体形成了一个1:1的复合体,结合亲和力良好且检测限低。赤眼比色变化和荧光反应使得通过智能手机应用评估RGB值进行视觉检测和定量分析。感测过程在Na中是可逆的2EDTA,且在中性pH范围内有效。该传感器成功应用于带刺水样和发芽种子。这些结果证实了初步假说,并凸显了L作为低成本、高效工具的潜力,用于监测这些离子,用于食品质量评估、环境安全和医疗应用。
-
推进微塑料检测与预测:传统方法与机器学习在环境与食品安全应用中的融合
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Chi Zhang, Liwen Xiao, Jing Jing Wang, Qinghe Song & Song Miao
食品标签
食品安全与风险评估 化学污染物计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 缺陷/异物检测与定位背景:微塑料已成为一种重要的环境威胁,迫切需要开发先进的检测和分析方法。传统的识别技术受限于准确性和处理效率,阻碍了对微塑料在环境和食品中普遍存在及其影响的全面理解。
范围与方法:机器学习和深度学习模型在微塑料研究中受到关注,为提高微塑料检测准确性和预测能力提供了潜力。本综述全面探讨了将机器学习和深度学习模型整合到微塑料研究中,特别是在检测和预测方面的应用。我们批判性评估了当前机器学习方法的局限性,例如有限数据集对机器学习方法有效性的挑战。为解决这些问题,我们强调了数据增强和合成数据生成作为提高模型鲁棒性并克服小型和不平衡数据集限制的关键策略的重要性。
主要发现与结论:本综述强调了将机器学习模型与检测和预测方法结合在微塑料研究中的巨大潜力。强调了数据增强技术对提升模型性能的关键作用。本文还指出了当前机器学习方法在微塑料分析中的局限性,强调了对真实世界样品和纳米级微塑料进行进一步研究的必要性。此外,本文强调了这些技术在食品安全中未来应用的广阔前景。