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 712 条结果
-
利用介质阻挡放电电离高分辨质谱(DBDI-HRMS)认证单花蜂蜜植物来源。突破6秒分析时间壁垒
查看原文2024
Food Control
中科院一区JCR一区Andrea Massaro, Carmela Zacometti, Marco Bragolusi, Jan Buček, Roberto Piro, & Alessandra Tata
食品标签
蜂蜜等天然糖 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
机器学习/统计学习 偏最小二乘法 随机森林 分类/鉴别/等级评定 中等规模数据集本研究采用介质阻挡放电电离 - 高分辨质谱(DBDI-HRMS)技术,实现单花种蜂蜜挥发性成分的快速分析,无需溶剂即可在 6 秒内完成蜂蜜的花源鉴别。该研究的核心目标是开发一套快速经济的检测工具,用于判定单花种蜂蜜的植物来源,该工具可便捷服务于两类用户:其一,养蜂人可借助它完成蜂蜜的真伪鉴别,进而提升产品价值;其二,食品行业可将其用于蜂蜜的质量检测。为达成这一目标,研究人员采用 DBDI-HRMS 技术采集了7 种不同植物来源(洋槐、蒲公英、板栗、杜鹃、柑橘、向日葵、椴树)的两批独立蜂蜜样本的挥发性成分信息,总计 112 份单花种蜂蜜样本由 3 名不同操作人员完成检测分析。研究团队基于第一批蜂蜜的光谱数据,构建并对比了三种分类算法的性能,分别为最小绝对收缩与选择算子(LASSO)、偏最小二乘判别分析(PLS-DA)和随机森林(RF)。通过重复交叉验证、置换检验、训练集回代验证等方法对三类模型进行性能验证,最终由一名缺乏相关经验的新手操作人员,利用第二批独立蜂蜜样本完成模型的外部验证。模型测试结果采用曲线下面积(AUC)、卡帕系数(Kappa)、总体准确率、灵敏度及特异度等指标进行表征;研究人员通过计算多项关键指标评估所建模型的误判率,并利用余弦相似度验证了该分析方法的重复性。上述研究结果为该方法未来应用于常规检测工作提供了重要参考。研究证实,随机森林分类器在蜂蜜花源预测方面表现最优:在新手操作人员检测的独立批次样本验证中,该模型仍保持优异性能,曲线下面积达 82.91%、总体准确率为 81.25%、卡帕系数为 77.78%、灵敏度为 81.05%、特异度为 96.76%。被误判的蜂蜜样本均含有其他蜜源的花蜜或花粉,这与此前感官鉴评人员的分析结论一致。本项原理验证性研究表明,该方法未来需开展大规模试验,纳入不同采收期、不同地理来源的蜂蜜样本,进一步验证和优化检测体系。
-
基于机器学习的多种海洋鱼类保存期预测模型开发及实时预测平台的构建
查看原文2024
Food Chemistry
中科院一区JCR一区Fangchao Cui, Shiwei Zheng, Dangfeng Wang, Likun Ren, Yuqiong Meng, Rui Ma, Shulin Wang, Xuepeng Li, Tingting Li, & Jianrong Li
食品标签
鱼肉 品质、结构与理化性质 统计建模与仿真计算机标签
机器学习/统计学习 随机森林 序列到序列/编码-解码 定量预测/回归分析 时序传感器/物联网数据全球每年至少有1000万吨海鲜产品在运输或储存过程中变质或损坏。实时监测海鲜鲜度变得尤为重要。本研究首次使用了四个机器学习算法,开发了一个多目标模型,能够同时预测五种海洋鱼类在多种储存温度下的保质期,利用14个特征如物种、温度、总可存活个数等。K值、总挥发性碱氮、感官和E等14个特征,同时预测五种海洋鱼类在多种储存温度下的保质期-nose-GC-Ms/Ms. 作为输入。其中,径向基函数模型表现最佳,所有测试样本的绝对误差均为<0.5。以最优模型为基础,开发了一个实时预测平台以满足实际应用需求。本研究成功实现了多目标实时预测,预测结果准确,为食品安全和质量提供了科学基础和技术支持。
-
通过机器学习辅助的虚拟筛选识别针对多酚氧化酶的天然抑制剂,并使用多光谱实验研究分子机制
查看原文2024
LWT
中科院一区JCR一区Xuezhi Tian, Yunhao Lv, Zhiying Wang, Lei Rao, & Yongtao Wang
食品标签
其他果蔬制品/植物类 氧化、褐变等化学变化 其他生物活性与健康效应 体外模型 统计建模与仿真 多酚与黄酮计算机标签
机器学习/统计学习 设计/生成与推荐 红外/拉曼光谱数据 公开数据集 合成/仿真数据为主开发有效的多酚氧化酶(PPO)抑制剂对于防止酶促褐变至关重要,尤其是当其来源于天然食材时。然而,目前可用的天然PPO抑制剂很少,其潜在的结构-活性关系仍不清楚。在本研究中,建立了一个利用机器学习(ML)的定量构效关系(QSAR)模型,并结合分子对接从超过70,000种食品化合物的数据库中筛选潜在的PPO抑制剂。随后,通过实验验证了17种结构多样的化合物,结果发现其中16种能够在微摩尔浓度下抑制PPO活性,其中ε-葡萄藤素在3.69 μM时表现出对PPO的最强抑制效果。此外,通过基于结构的分析,已经发现了一些可能显著贡献于PPO抑制剂的分子指纹。最终,通过一系列酶动力学和多光谱实验阐明了分子机制。本研究旨在促进天然PPO抑制剂在未来工业生产中的多样化发展和广泛应用。
-
通过电子鼻结合机器学习方法在素腐发酵过程中非破坏性测定挥发性化合物并预测氨基酸氮
查看原文2024
LWT
中科院一区JCR一区Yiwen Xie, Chaofan Guo, Sakamon Devahastin, Lianzhou Jiang, Ming Du, & Junjie Yi
食品标签
大豆发酵制品 特征风味 过程监测与在线检测 光谱/色谱/质谱等分析方法 发酵工艺与动力学 其他植物化学物质计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 定量预测/回归分析 时序传感器/物联网数据电子鼻结合不同的机器学习方法被测试作为预测腐乳发酵程度的工具,以氨基酸氮含量作为指标。随着发酵时间的延长,电子鼻信号值和氨基酸氮含量均显示出持续增加。腐乳中的挥发性化合物数量在发酵过程中从19种增加到61种,其中46种化合物被确定为主要的香气贡献者。其中,丙酮、棕榈酸乙酯和靛胭脂与氨基酸氮含量表现出强相关性。三种预测模型,即偏最小二乘回归、支持向量机和人工神经网络,被测试其预测氨基酸氮含量的能力。所有模型都能够定量预测氨基酸氮的含量,其中基于人工神经网络(ANN)的模型表现出最高的预测精度(R P 2 = 0.968,RMSE = 5.49 × 10⁻⁸)。电子鼻结合适当的预测模型被认为是评估腐乳发酵程度的一个有前景的工具。
-
机器学习支持的挥发性有机化合物检测与分析在食品质量与安全中的机制性综述
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Yihang Feng, Yi Wang, Burcu Beykal, Mingyu Qiao, Zhenlei Xiao & Yangchao Luo
食品标签
品质、结构与理化性质 食品安全与风险评估 微生物安全 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 分类/鉴别/等级评定 时序传感器/物联网数据背景:近年来,随着食品消费量的增加和消费者对食品质量保证意识的提高,食品质量与安全受到更多关注。挥发性有机化合物(VOCs)检测分析技术因其非破坏性、环境友好、连续和实时监测的优点,成为评估食品质量的强大工具。机器学习(ML)支持的电子鼻(EN)、比色传感器阵列(CSA)以及气相色谱(GC)联用技术(例如GC-MS和GC-IMS)正成为食品科学领域的研究热点。
范围与方法:本综述介绍了这些技术的基本原理、优势和局限性,以及ML在应用场景中的实施细节。特别地,基于食品VOC检测分析的最新案例,讨论了ML在数据处理、建模和性能评估方面的基本原理,随后阐述了ML在食品研究不同领域(包括产地溯源、掺假、质量控制和病原体检测)中的综合应用。
主要发现与结论:随着并行计算、计算机视觉和气味成像等ML技术的发展,CSA和EN等新技术正在取代传统的GC用于VOC检测与分析。食品工业中许多以前棘手的问题,例如食品产地溯源和食品掺假,已通过先进的ML算法得到解决。然而,食品VOC检测与分析中正在出现新的挑战,研究人员正在探索新的解决方案,例如边缘/云计算、EN传感器漂移和CSA标准化制造,以解决更多的食品质量和安全问题。