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 114 条结果
-
使用机器学习辅助SERS快速高效检测山茶油掺假的方法
查看原文2024
LWT
中科院一区JCR一区Peipei Xu, Qingling Nie, Runbing Huang, Jing Shi, Junjie Ren, Ruiyun You, Hengfang Wang, Yan Yang, & Yudong Lu
食品标签
植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据茶油(CAO)是一种高品质的食用植物油,通常被称为"东方橄榄油",具有药用价值和生物活性,但容易被掺假。目前,我们开发了一种将表面增强拉曼光谱(SERS)与机器学习相结合的方法,用于有效识别茶油。在这种情况下,SERS至关重要,因为它显著提高了检测过程的灵敏度和特异性,使得即使是传统方法可能忽略的轻微掺假也能被识别。我们在涂有4-硫基苯腈(4MBN、浓度为0.02%)的NPAg片上,对纯茶油和掺假茶油的SERS光谱进行了机器学习分析。在拉曼静默区使用4MBN进行信号生成,进一步增强了光谱采集的稳定性,并确保更准确的结果。k最近邻(KNN)模型表现出优越的性能,测试集准确率达到97.24%。因此,旨在放大食用油组成差异的NPAg片@4MBN@0.02%ER策略,成为快速验证此类油品真伪的有效工具。
-
基于脂肪酸组成和高光谱图像的机器学习鉴别食用植物油
查看原文2024
Current Research in Food Science
中科院一区JCR一区Jeongin Hwang, Kyeong-Ok Choi, Sungmin Jeong & Suyong Lee
食品标签
植物油 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
随机森林 K-近邻 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱将高光谱成像分析与机器学习相结合,用于识别八种食用植物油,并将其分类性能与基于脂肪酸组成的化学方法进行了比较。此外,还利用机器学习驱动的高光谱方法对植物油中的掺假程度进行了定量研究。饱和度高的棕榈油的高光谱吸收光谱与其他液态油的光谱明显不同。亚麻籽油和橄榄油分别在1170/1671纳米和1212/1415纳米处表现出显著的高光谱强度。线性判别分析表明,两个线性判别式可以解释总变异性的很大一部分,分别占96.0%(脂肪酸组成)和98.9%(高光谱图像)。当将高光谱结果用作三种机器学习模型(决策树、随机森林和k近邻)的数据集时,发现了几例对葡萄籽油和葵花籽油分类错误的情况,而橄榄油、棕榈油和亚麻籽油则被成功识别。机器学习模型从植物油的高光谱图像中展现出了超过98.9%的优异分类性能,这在识别食用植物油方面可与基于脂肪酸组成的化学方法相媲美。此外,随机森林模型在确定二元混合油的掺假水平方面最为有效(R²>0.992,均方根误差<2.75)。
-
美国与以色列初榨橄榄油化学组分与感官特性的关系:缺陷预测模型的开发
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Mario V. Calatayud, Xueqi Li, Arnon Dag, Ofir Benjamin, Zipora Tietel, Juan J. Polari, Isaac Zipori & Selina C. Wang
食品标签
植物油 感官科学与消费者研究 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸 多酚与黄酮计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析维珍橄榄油(VOO)的质量是由化学参数和感官参数共同决定的。化学参数是客观的,通过仪器测量得出,而感官质量评估则基于人工小组进行,这可能会存在主观性、重复性较差、易疲劳以及需要长时间且成本高昂的培训等问题。通过训练有素的小组可以尽量减少品尝偏差,但将人类用作测试工具不可避免地会受到各种心理偏差、刺激因素和延续效应的影响。本研究的目的是评估有助于现有人工小组评估 VOO 感官特性的仪器方法,并利用来自美国和以色列的 VOO 样本开发基于化学的感官特性预测模型。我们的结果表明,油脂酸败与化学成分含量高度相关;1-戊烯-3-酮、3-己烯-1-醇、(E)-2-戊醛和 1-辛烯-3-醇是与酸败缺陷相关的主要挥发性物质(这些化合物的浓度较低)。积极的感官特性,如果香,与 1-乙酰氧基皮诺树脂醇和己醛有关,而苦味则与皮诺树脂醇(橄榄苦苷的醛形式)以及橄榄苦苷的二醛形式相关。随机森林模型表明,芦丁、(E)-2-己烯醛、1-戊烯-3-酮和 C18:0 是预测橄榄油样本中感官缺陷发生的最有效指标。换句话说,当这些化合物低于或高于某一阈值时,感官小组更有可能发现诸如酸败之类的缺陷。
-
热氧化菜籽油的理化特性研究:声学诊断技术与化学计量学结合的探讨
查看原文2024
LWT
中科院一区JCR一区Jing Yan, Yingling Zhang, Hui Liang, Zibin Jiao, Lifan Song, Ji Liu, Qing Zhang, Yaowen Liu, & Wen Qin
食品标签
植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据本研究旨在应用超声脉冲回波系统对热氧化菜籽油进行表征。在经过60小时加热处理(165 ± 5 ◦C)后,测量了菜籽油的理化特性(密度、粘度、酸值、碘值和极性化合物)及声学特性(声速、声阻抗、第一回波的最大振幅、振幅差值及曲线下面积)。基于菜籽油的声学特性,使用支持向量机、随机森林(RF)和反向传播神经网络算法建立了粘度和极性化合物的定量预测模型。结果表明,声阻抗与粘度之间(R = 0.70)、以及声阻抗与极性化合物之间(R = 0.79)均存在显著相关性。加热处理降低了油的不饱和度,并导致氧化和聚合化合物的形成,这反过来增加了声速和阻抗,同时减少了其他三种声学特性。随机森林(RF)模型在预测粘度(R² = 0.7944)和极性化合物(R² = 0.8385)方面表现最佳。这些发现表明,超声技术不仅能够准确预测关键质量参数,还为表征热氧化菜籽油提供了一种快速、非破坏性且具有成本效益的替代传统方法。
-
AfroPALM - 以非洲为中心的棕榈油掺假学习模型:用于检测棕榈油掺假的端到端深度学习方法
查看原文2024
LWT
中科院一区JCR一区Andrew Selasi Agbemenu, Andrews Tang, Elton Modestus Gyabeng, Prince Odame, Eric Tutu Tchao, Eliel Keelson, John-Lewis Zinia Zaukuu, & Jerry John Kponyo
食品标签
植物油 食品安全与风险评估 其他安全问题 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据在非洲,人口快速增长和对提高粮食产量的关注往往忽视了食品安全这一关键方面,导致该地区的人均食源性疾病发生率居全球之首。这凸显了应对非洲大陆食品安全挑战的紧迫性。一个关键问题是西非地区红棕榈油的广泛掺假,通常涉及有害的红偶氮染料,带来严重的健康风险。目前的检测方法依赖实验室程序,不仅耗时且昂贵,而且在本地市场大规模实施也不切实际。为了解决这些局限性,我们提出了一种端到端深度学习方法,从而无需手动特征提取和基于实验室的分析。利用高分辨率成像技术,我们的方法能够直接从原始图像数据中客观且可靠地检测棕榈油掺假。在我们的研究中,我们开发了一种名为 AfroPALM-Custom 的深度卷积神经网络,专门用于检测非洲市场的棕榈油掺假。AfroPALM-Custom 在优化我们的深度学习方法中起到了关键作用,测试准确率达到了 90.63%,F1 分数为 90.98%。随后,我们改进并使用了移动端高效的预训练模型,即 SqueezeNet1.1 和 GhostNetV1,并进行了移动端微调,分别命名为 AfroPALM-GhostNet 和 AfroPALM-SqueezeNet。在性能方面,AfroPALM-GhostNet 和 AfroPALM-SqueezeNet 的测试准确率分别为 96.29% 和 91.16%,F1 分数分别为 96.57% 和 91.95%。这种识别掺假棕榈油的能力展示了在非洲市场食品安全解决方案方面的重大进展,为在资源有限且实验室方法不切实际的本地市场中实施提供了实用且可扩展的方法。