类目筛选（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
-
-
深度筛选（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
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 339 条结果
-
微波和超声诱导蘑菇混合物的4D打印：高效将麦角固醇转化为维生素D
查看原文
2022
Food Chemistry
中科院一区JCR一区
Jieling Chen, Min Zhang, Arun S. Mujumdar & Pattarapon Phuhongsunge
计算机标签
偏最小二乘法 深度学习 定量预测/回归分析食品标签
食用菌菇 物理辅助加工 3D 打印与结构构筑 品质、结构与理化性质 脂溶性维生素 A/D/E/K本研究旨在采用微波、超声联合 4D 打印技术，促进含菇渣的打印坯体中麦角固醇向维生素 D₂转化。在紫外照射条件下，不同辐照面积、不同物理场预处理的打印坯体，其转化效果存在差异。与原料相比，打印坯体中维生素 D₂含量提升至4.6 倍；经物理场预处理的样品，其维生素 D₂含量较未预处理组高2.2～3.8 倍。偏最小二乘回归（PLS）分析表明：辐照面积影响程度最大，超声处理影响最小。预处理可提高维生素 D₂含量，其机制可能是预处理使麦角固醇更易受紫外作用，而辐照面积的扩大进一步强化了这一正向效应。本研究同时构建了人工神经网络模型，用于预测样品中麦角固醇与维生素 D₂含量。
-
基于响应面法和人工神经网络优化Nypa fruticans Wurmb.的提取条件
查看原文
2022
Food Chemistry
中科院一区JCR一区
Hee-Jeong Choi, Marufa Naznin, Md Badrul Alam, Ahsan Javed, Fanar Hamad Alshammari, Sunghwan Kim & Sang-Han Lee
计算机标签
深度学习 定量预测/回归分析食品标签
水果/蔬菜与菌菇类/植物类 加工与新加工技术 光谱/色谱/质谱等分析方法 多酚与黄酮本研究采用响应面法（RSM）与人工神经网络（ANN），对水椰（Nypa fruticans Wurmb.，NF）的最优提取工艺条件进行预测与优化。研究明确了乙醇体积分数（X1，0~100%）、提取时间（X2，6~24 h）、提取温度（X3，40~60 ℃）对样品抗氧化活性的影响。针对 2,2 - 二苯基 - 1 - 苦基肼基（DPPH）自由基清除能力、铜离子还原抗氧化能力（CUPRAC）、铁离子还原抗氧化能力（FRAP）、总酚含量（TPC）及总黄酮含量（TFC），得到的最优提取工艺为：乙醇体积分数 57.6%、提取时间 19.0 h、提取温度 51.3 ℃；该条件下各指标对应最大值分别为：62.5%、41.95 μM、48.39 μM、143.6 mg GAE/g、166.8 CAE/g。研究采用高分辨质谱技术对水椰中的酚类与黄酮类化合物进行定性分析，共鉴定出48 种化合物。综上，本研究结果可为水椰在各类生物产业中的开发应用提供实用化的技术参考。
-
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 红外/拉曼光谱数据食品标签
酸度调节剂/防腐剂/抗氧化剂 食品安全与风险评估 光谱/色谱/质谱等分析方法食醋是食品掺伪现象高发的产品之一，产品本身与掺假物质的光谱差异，使得掺伪检测成为一项具有挑战性的工作。本研究采用多种光谱技术，建立葡萄食醋掺入蒸馏白醋、合成乙酸的掺伪判别方法。实验将葡萄食醋分别与蒸馏白醋、4% 稀释合成乙酸按 1%–50%（体积比） 的梯度混合。采用紫外 - 可见光谱（UV–Vis）与傅里叶变换红外光谱（FTIR）采集原醋及混合样品的光谱数据，结合多种化学计量学方法与人工神经网络（ANN）进行数据解析。针对纯品食醋与掺伪食醋的判别分析，单独使用紫外 - 可见、红外光谱数据，或联合两类光谱并结合化学计量学、人工神经网络处理，均获得 不低于 94.3% 的正确分类率。结果表明，无论掺伪物质种类如何，紫外 - 可见光谱与傅里叶变换红外光谱均可实现食醋掺伪的快速、精准检测。
-
基于宏基因组学与机器学习的蜂蜜产品溯源研究
查看原文
2022
Food Chemistry
中科院一区JCR一区
Shanlin Liu, Dandan Lang, Guanliang Meng, Jiahui Hu, Min Tang & Xin Zhou
计算机标签
深度学习 分类/鉴别/等级评定 组学数据食品标签
蜂蜜等天然糖 食品安全与风险评估 组学与高通量技术蜂蜜掺假现象十分普遍。近年来，基于高通量测序（HTS）的 DNA metabarcoding（分子标记扩增子测序）技术已成功应用于花粉与蜂蜜鉴定，通过测定蜜源植物组成，进而实现蜂蜜产地溯源。但对于基于高通量测序的花粉鉴定方法而言，本地参考物质的缺乏构成了严峻的技术难题。本研究在不掌握当地蜜源植物信息的前提下，采集了来自不同地理来源的 28 份蜂蜜样品，并采用机器学习方法对其产地进行判别。该机器学习方法使用弹性反向传播算法进行神经网络训练。结果表明，蜂蜜中的生物组分能够提供特征性判别信息，几乎可对所有样品实现精准的产地溯源；模型能可靠区分各产地蜂蜜，判别成功率超过 99%，甚至可区分最短直线距离仅 39 千米的不同产地样品。
-
基于深度学习网络框架的高光谱与低场核磁共振盐渍海参水分含量检测
查看原文
2022
Food Research International
中科院一区JCR一区
Fanyi Zeng, Weidong Shao, Jiaming Kang, Jixin Yang, Xu Zhang, Yang Liu, & Huihui Wang
计算机标签
深度学习 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
软体与贝类 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法在海参加工过程中，准确控制水分含量（MC）有助于提高海参的口感并保持其营养价值，这与海参的质量和保质期直接相关。本研究的目的是探讨利用深度学习（DL）基于高光谱成像（HSI）和低场核磁共振（LF-NMR）数据，实现盐渍海参水分含量快速无损检测的可行性。首先，将三种杜鹃搜索（CS）降维算法（传统-CS、二进制-CS和混沌-CS）分别与DL框架结合，利用HSI和LF-NMR数据建立预测模型，从而证明DL框架在预测海参水分含量方面的可行性，并选择混沌-CS算法作为最佳降维算法。然后，基于HSI和LF-NMR数据的MC可视化分别实现，用于检测MC的迁移和降低。最后，利用HSI和LF-NMR数据，讨论了基于Fusion-net深度学习（FDL）框架的模型优势，结果显示其性能优于单一数据模型，C组R²为0.9929，C组RMSE为0.0016，P组R²为0.9936，RPD为12.5041。总之，通过基于深度学习框架的HSI和LF-NMR数据，可以实现对盐渍海参中MC的快速无损检测，并验证了基于FDL框架的数据融合检测的优势。
