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
标签记录（计算机学者）
共 712 条结果
-
机器学习辅助纳米传感器阵列：一种高效的高通量食品检测分析
查看原文
2024
Trends in Food Science and Technology
中科院一区JCR一区
Yuechun Li, Wenrui Zhang, Zhaowen Cui, Longhua Shi, Yiwen Shang, Yanwei Ji & Jianlong Wang
食品标签
探针与分析传感材料 品质、结构与理化性质 食品安全与风险评估计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析背景：如何通过低成本、易操作、高通量的手段及时判别食品品质，对食品行业而言具有里程碑式的保障意义，在资源匮乏地区尤为关键。将纳米传感器与生物分子（如抗体、适配体）结合，已成为大规模筛查中标准仪器检测的替代方案。但生物分子成本高昂、“锁-钥”配对机制无法解决部分检测问题（如食品新鲜度检测），加之各类新型食品风险不断出现，严重制约了这类纳米传感器在食品行业的发展。此外，不含生物分子的纳米传感器易受非特异性干扰，导致检测结果可信度较低。为此，部分研究聚焦以纳米材料为识别元件构建传感阵列，借助多重信号响应为每种分析物生成独特特征图谱，以此解决上述现存问题。
研究范围与方法：本文综述系统论述了机器学习辅助型纳米传感阵列在高效高通量食品检测分析中的相关研究，主要涵盖纳米传感阵列的可选构建材料、常用机器学习算法，及其在食品领域的各类应用场景（食源性危害物检测、食品组分分析、食品新鲜度评定、食品产地溯源、食品掺假鉴别等）。同时，本文梳理了机器学习辅助纳米传感阵列应用于食品检测领域现存的挑战与未来发展展望，以期突破当前行业发展瓶颈。
核心研究结果与结论：综上，本文提出将机器学习辅助纳米传感阵列应用于食品行业高效高通量检测分析工作。 -
基于水光谱组学的番茄粉提取物筛选揭示对增容剂和着色剂的敏感性
查看原文
2024
Food Control
中科院一区JCR一区
Balkis Aouadi, Damian Laryea, Juan Pablo Aguinaga Bósquez, Mariem Majadi, István Kertész, Zsanett Bodor, John-Lewis Zinia Zaukuu, & Zoltan Kovacs
食品标签
香精香料 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 偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据番茄粉作为不可或缺的烹饪配料应用日益广泛，但这类产品仍无法规避掺假行为。传统鉴别方法因操作流程复杂，难以作为常规检测手段推广应用。本研究以水光谱学技术为潜在替代方案展开效能验证，该技术具有样品前处理步骤少、无需溶剂萃取的优势。实验选取三个番茄品种为研究对象，设计了两类掺假剂（填充剂与着色剂）的掺假方案：两类掺假剂分别添加或混合添加，在番茄粉水基混合体系中的掺假浓度梯度设定为 0%–20%。采用 XDS 近红外光谱仪以透射模式采集样品光谱数据，并在水的第一、第二泛频波段范围内结合化学计量学方法开展数据分析。在基于掺假水平的分类研究中，针对单一掺假剂混合体系构建主成分分析 - 线性判别分析（PCA-LDA）定性模型，模型识别准确率与预测准确率分别可达 97.76%–100% 和 88.59%–100%；当填充剂与着色剂复合掺假时，模型准确率略有下降。偏最小二乘回归（PLSR）定量模型对掺假比例的预测效果良好，模型决定系数（R 2）最高可达 0.98，交互验证均方根误差（RMSECV）最优值为 0.45%（质量分数）。水光谱特征图谱呈现出特异性光谱模式，可直观反映掺假比例的梯度变化。综上，研究结果证实，将番茄粉制备为液态样品后，采用水光谱学技术可有效实现其真伪鉴别，该技术在保障番茄粉品质真实性方面具有重要应用前景。
-
基于机器学习的大米品种—烹饪—咀嚼预测模型构建
查看原文
2024
Food Research International
中科院一区JCR一区
Mengjie Ma, Zhengbiao Gu, Li Cheng, Zhaofeng Li, Caiming Li, Mingyi Shen, Jinyi Wu, Jia Liu & Yan Hong
食品标签
大米 传统热加工 品质、结构与理化性质 感官科学与消费者研究 理化与结构表征 碳水化合物与糖类计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 质构/流变/感官数据本研究建立了一个机器学习驱动的多尺度预测框架，用于量化大米理化特性、烹饪条件和口腔处理之间的关系。对56个大米品种的质地、形态和直链淀粉含量进行了表征，同时测量了体内咀嚼参数（咀嚼时间、咀嚼次数、唾液量）和食团特性（粒径、还原糖含量）。相关性分析确定硬度、胶粘性和咀嚼性是咀嚼行为的关键决定因素（r > 0.7），而谷粒长宽比则对食团粒径产生负面影响（r > 0.7）。开发了包括多元线性回归、极限梯度提升（XGBoost）、支持向量机（SVM）、长短期记忆网络（LSTM）和卷积神经网络在内的五种预测模型，其中LSTM在咀嚼预测上达到最优（测试R2 = 0.9499），SVM在食团特性预测上表现突出（R2 = 0.9168）。XGBoost模型有效捕捉了烹饪参数（烹饪时间、水米比）与质地之间的非线性相互作用（R2 = 0.8161）。级联模型（用于咀嚼预测的XGBoost-LSTM和用于食团预测的XGBoost-SVM）实现了从烹饪输入到口腔结果的端到端预测。该框架推进了大米加工和感官质量的数字化优化，为定制化食品设计提供了预测工具。
-
赋能可解释人工智能的物联网多传感器系统用于实时牛奶掺假检测
查看原文
2024
Food Control
中科院一区JCR一区
Kashish Goyal, Parteek Kumar & Karun Verma
食品标签
液态乳 食品安全与风险评估 常规理化指标测定 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类计算机标签
机器学习/统计学习 随机森林 模型可解释性 分类/鉴别/等级评定 时序传感器/物联网数据针对牛奶掺假危害牛奶营养完整性与消费者健康这一突出问题，本文提出了一套创新性的人工智能物联网多传感器系统。牛奶作为关键营养来源，其消费量日趋增长，这就要求我们采取严格措施保障牛奶的安全性与品质。传统掺假检测方法存在诸多局限，因此亟需开发一套自动化的先进检测方案。该系统集成了多种可实现实时检测的传感器，可监测酸碱度（pH）、电导率（EC）、温度、气体参数及挥发性有机化合物（VOC）参数；同时还能检测牛奶样品中的关键成分指标，包括脂肪、蛋白质、非脂乳固体（SNF）、乳糖及比重值。针对尿素、淀粉、碳酸氢钠、麦芽糊精与甲醛这几种特定掺假物质，研究采用基于机器学习的集成算法技术开展分类检测。该集成算法的性能优于随机森林（RF）、轻量级梯度提升机（Light GBM）、极端随机树分类器等传统算法，在牛奶数据集的掺假物质检测任务中，准确率高达 96%。本研究的核心贡献在于开发了一款基于物联网的数据采集装置，该装置可与传感器系统无缝集成，实现高效精准的检测。此外，研究还采用可解释人工智能（XAI）技术对所提模型的输出结果进行分析，并借助沙普利可加性解释（SHAP）分析框架阐明集成模型的决策过程，从而提升检测结果的可解释性。这套人工智能物联网多传感器系统凭借其实时监测能力与精准分类性能，成为解决牛奶掺假问题的极具前景的方案，有望推动乳制品行业完善牛奶质量管控措施。该系统能够快速检测并分类各类掺假物质，对于解决牛奶品质受损这一普遍问题具有重要意义，进而保障消费者健康，维护行业诚信。
-
机器学习训练的聚氨基质（3,4-乙烯二氧噻吩）官能化碳基悬浮铜纳米颗粒，用于精确监测腌制蔬菜中的亚硝酸盐
查看原文
2024
Food Chemistry
中科院一区JCR一区
Waseem Abbas, Farhan Zafar, Manal F. Abou Taleb, Mavra Ameen, Abdul Sami, Muhammad Ehsan Mazhar, Naeem Akhtar, Muhammad Waseem Fazal, Mohamed M. Ibrahim, & Zeinhom M. El-Bahy
食品标签
蔬菜发酵制品 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 定量预测/回归分析 时序传感器/物联网数据由于亚硝酸盐对人体健康的有害影响，对真实样品的精确监测备受关注。本研究中，我们通过简便的绿色合成方法制备了聚（3,4-乙烯二氧基硫代）官能化碳基悬浮铜纳米颗粒（PEDOT-C@Cu-NPs）。此外，我们利用机器学习优化了pH值、干燥时间和浓度等实验参数，以预测设计电化学传感器的电流。ML优化的制C@Cu-NP浓度通过PEDOT（π电子介导剂）进一步功能化。设计的PEDOT功能化C@Cu-NPs（PEDOT-C@Cu-NPs）电极表现出对一氧化氮的优异电氧化能力2−离子源于高暴露的铜面、富含石墨C的缺陷以及高π电子密度。此外，设计材料表现出低检测极限（3.91微米）、高灵敏度（0.6372微A/μM/cm）。2），以及宽线性范围（5–580微米）。此外，设计的电极在实时监测腌制蔬菜提取物中展现出更高的电化学感应效能。
