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 167 条结果
-
拉曼光谱与化学计量学技术集成预测热加工对猪肉糜凝胶强度与持水能力的影响
查看原文2025
Food Control
中科院一区JCR一区Huanhuan Li, Wei Sheng, Xorlali Nunekpeku, Yaqi Hu & Quansheng Chen
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据香肠、肉丸、肉饼等猪肉糜制品营养丰富、用途广泛,深受消费者喜爱。本研究基于拉曼光谱技术结合先进化学计量学方法,建立了一种快速、无损的检测方法,用于评估不同热处理条件下猪肉糜的凝胶品质。为此,研究将猪肉糜样品置于 45℃~90℃温度范围内进行加热处理,以诱导不同程度的蛋白质变性与凝胶形成。随后采集样品的拉曼光谱以捕捉分子层面的变化,并采用传统方法测定凝胶强度和持水性(WHC),作为参考数据。为分析光谱数据,本研究评估了多种化学计量学模型,最终确定竞争自适应重加权采样 - 偏最小二乘(CARS-PLS)模型为最优方法。值得注意的是,该 CARS-PLS 模型在使用最少光谱变量的同时,对凝胶强度(预测集相关系数 Rp=0.9600,相对分析误差 RPD=3.4418)和持水性(Rp=0.9611,RPD=3.3988)均表现出优异的预测性能。因此,该方法为猪肉糜品质的快速精准评估提供了重要技术突破,有望在肉类加工行业中强化品质控制,提升产品质量的一致性。
-
智能食品质量监测:一种用于稳健牛肉质量评估的混合扩张卷积网络和BiLSTM-MSVM模型
查看原文2025
Food Control
中科院一区JCR一区Vincent Vianncy & Natesan Gobalakrishnan
食品标签
畜肉 特征风味 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 时序传感器/物联网数据牛肉是全球广泛消费的食品。它含有大量蛋白质和脂肪,因此不能长期储存。确保牛肉质量是满足顾客需求的重要措施。为解决人工牛肉质量分析耗时过长的问题,近年来开始使用一种称为电子鼻的设备,该设备包含多个传感器,用于检测牛肉释放的挥发性气体。为此,本文提出了一种结合扩张卷积网络、双向长短期记忆网络和多类支持向量机的系统,基于四种标准品质对牛肉质量进行评估。该系统使用“不同部位牛肉的电子鼻”数据集进行评估。在该系统中,采用离散小波变换噪声过滤技术对传感器采集的数据进行预处理。然后,使用一维精细卷积网络从预处理数据中提取最优特征。接下来,使用混合双向长短期记忆-多类支持向量机架构对这些特征进行分类。评估结果表明,所提模型达到了98.74%的准确率、98.24%的精确率、97.91%的召回率、98.07%的F1分数和99.32%的特异性。在训练和测试效率方面,该模型均显著优于现有模型,训练和测试时间分别减少至38分钟和3.8分钟。这表明所提模型在牛肉质量评估方面具有优越性。
-
基于高光谱成像和自动化可解释机器学习监测羊肉脂质与蛋白质氧化损伤
查看原文2025
Food Research International
中科院一区JCR一区Weiguo Yi, Xingyan Zhao, Xueyan Yun, Songlei Wang & Tungalag Dong
食品标签
畜肉 氧化、褐变等化学变化 过程监测与在线检测 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 模型可解释性 定量预测/回归分析 高光谱/多光谱光谱目前,利用高光谱成像(HSI)结合机器学习(ML)检测脂质和蛋白质氧化的方法需要数据科学家和领域专家的参与来调整模型架构和优化超参数。此外,预测模型在预测结果和决策过程方面缺乏可解释性。本研究针对经过不同冻融循环处理的羊肉样本的可见-近红外高光谱图像,开发了ML、自动化机器学习(AutoML)和自动化深度学习(AutoDL)模型,以评估在无需人工干预的情况下构建脂质和蛋白质氧化预测模型的可行性。研究使用SHapley Additive exPlanations(SHAP)方法来解释预测模型。结果表明,AutoDL获得了脂质氧化(R2p = 0.9021,RMSEP = 0.0542 mg/kg,RPD = 3.3624)和蛋白质氧化(R2p = 0.8805,RMSEP = 3.8065 nmol/mg,RPD = 3.0789)的有效预测模型。AutoML驱动的堆叠集成模型进一步提高了模型的泛化能力,预测脂质和蛋白质氧化的R2p分别达到0.9237和0.9347。通过SHAP确定的重要波长与光谱分析结果高度一致,并且该分析还确定了这些重要波长对模型输出影响的大小和方向。最后,对羊肉在不同冻融循环中脂质和蛋白质氧化的变化进行了可视化。研究表明,HSI、AutoML和SHAP的结合可以在无需人工协助的情况下,生成高质量的可解释模型,用于监测羊肉的脂质和蛋白质氧化损伤。
-
通过计算机视觉驱动的实体肉类特征追踪,提升红肉行业的可追溯性和质量控制
查看原文2025
Food Chemistry
中科院一区JCR一区Qiyu Liao, Brint Gardner, Robert Barlow, Kate McMillan, Sean Moore, Adam Fitzgerald, Yulia Arzhaeva, Natasha Botwright, Dadong Wang & Joost D Nelis
食品标签
畜肉 品质、结构与理化性质 显微与成像技术 脂质与脂肪酸计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据当前的可追溯系统高度依赖外部标记,这些标记可以被修改或篡改。我们假设牛肉部位中独特的肌肉内脂肪模式可以作为可追溯性的自然物理标识,同时提供有关质量属性的信息。为了验证我们的假设,我们开发了一个包含38,528张高分辨率牛肉图像的综合数据集,涵盖了来自602块牛排的牛排,并结合了人工分级和配料分析的注释。利用该数据集,我们基于EfficientNet模型开发了高质量预测模块,在大理石花纹评分预测(96.24%前1±1,99.57%前1±2)、品种识别(91.23%)和饮食确定(90.90%)方面实现了高准确率。此外,我们证明内部肉类特征可用于可追溯性,样本到样本追踪中获得0.9942的F-1得分,样本到数据库追踪中为0.9479。这种方法显著增强了防欺诈能力,并实现了红肉供应链中客观的质量评估。
-
基于BPNN-GA优化的静态磁场辅助高湿度低温解冻技术提升牛羊肉品质
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Jiangshan Qiao, Min Zhang, Arun S. Mujumdar & Chunyan Lei
食品标签
畜肉 物理辅助加工 品质、结构与理化性质 理化与结构表征 脂质与脂肪酸计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据解冻过程常导致品质劣变,包括水分流失、质地变差和颜色变化。本研究开发了一种集成了静态磁场(SMF)和高湿度低温解冻(HHLT)的复合解冻技术,用于在−18°C下储存的冷冻牛腱和羊腱。采用反向传播神经网络(BPNN)结合遗传算法(GA)对SMF辅助HHLT的解冻参数(解冻温度、相对湿度和SMF强度)进行了优化。建立的BPNN模型在不同条件下预测解冻损失具有高精度,均方误差低于0.1,相关系数接近1。通过GA获得的最佳参数为:牛肉8°C,83%RH,4 mT;羊肉12°C,87%RH,8 mT。与常规HHLT相比,优化后的SMF-HHLT显著提高了解冻效率,牛肉约46.6%,羊肉约32.5%。此外,SMF-HHLT将解冻损失降至1.33%(牛肉)和1.28%(羊肉),表现优于传统的室温解冻和低温解冻。低场核磁共振和磁共振成像进一步证实,SMF-HHLT通过保留结合水并抑制水分流失,有效保持了水分分布和状态,接近新鲜样品。此外,SMF-HHLT显著改善了解冻后品质,表现为质地和颜色劣变减少,pH和TVB-N水平稳定,脂质稳定性增强。工业相关性:在肉类加工行业,解冻引起的品质损失和低效过程常导致显著的经济和产品质量损失。本研究提出了一种集成的SMF-HHLT方法作为一种创新的解冻技术。BPNN-GA预测模型为快速参数优化提供了一种精确高效的方法,从而节省了时间和资源。优化的SMF-HHLT在提高产品质量的同时缩短了解冻时间,有望提高生产效率、降低运营成本,并提升产品在市场上的竞争力。