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
-
冷冻与解冻肉制品的人工智能研发：研究进展与未来展望
查看原文
2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Jiangshan Qiao, Min Zhang, Dayuan Wang, Arun S. Mujumdar & Chaoyang Chu
食品标签
肉类/蛋类与水产品 加工与新加工技术 保藏与贮藏 品质、结构与理化性质 过程优化与控制策略计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化冷冻和解冻肉在稳定肉类供应链和延长肉类保质期方面发挥着重要作用。然而，传统的研发方法难以满足人们对质量、营养价值、创新性、安全性、生产效率和可持续性日益增长的需求。冷冻和解冻肉面临着一些特定挑战，包括解冻过程中的品质劣变。人工智能（AI）已成为解决冷冻和解冻肉研发中这些挑战的一种很有前景的方案。人工智能在感知、判断和执行方面的能力，在解决问题和执行任务中展现出巨大潜力。本综述概述了将人工智能技术应用于冷冻和解冻肉研发的架构，旨在让人工智能更好地实施并提供解决方案。与传统研发方法相比，本文全面总结了人工智能在该领域的当前研究进展和广阔应用前景，重点关注其在应对关键挑战（如解冻工艺快速优化）方面的作用。人工智能在冷冻和解冻肉的产品开发、生产优化、风险管理和质量控制等领域已取得成功。未来，基于人工智能的冷冻和解冻肉研发在推动个性化、智能化生产和可持续发展方面也将发挥重要作用。然而，挑战依然存在，包括对高质量数据的需求、复杂的实施过程、易变的工艺以及环境方面的考虑。为了充分发挥人工智能在冷冻和解冻肉研发中的潜力，需要进一步研究以开发更强大、更可靠的人工智能解决方案，如通用人工智能、可解释人工智能和绿色人工智能。
-
基于表面FTIR的黑稻种质采集中高通量酚类抗氧化物筛选机器学习方法
查看原文
2024
Food Chemistry
中科院一区JCR一区
Achini Herath, Rhowell Jr Tiozon, Tobias Kretzschmar, Nese Sreenivasulu, Peter Mahon, & Vito Butardo Jr
食品标签
谷物/块根/豆与坚果类 营养与生物功能 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
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 红外/拉曼光谱数据 中等规模数据集色素米含有有益的酚类抗氧化剂，但对不同品种的米进行这些抗氧化剂的分析是一项费时费力的工作。在此，我们利用快速表面傅里叶变换红外（FTIR）光谱技术以及机器学习算法（ML）来预测和分类多酚类抗氧化剂。从 270 种来自全球不同地区的彩色米品种中，通过生物化学方法定量测定了总酚类物质、黄酮类化合物、花青素和原花青素。通过在 800 - 4000 cm−1 范围内扫描整粒米的表面获得了衰减全反射（ATR）傅里叶变换红外光谱。利用这些生化和光谱数据优化了五个机器学习分类模型，其预测准确率在 93.5%至 100%之间。随机森林和支持向量机模型确定了与黄酮醇、黄酮类化合物和花青素相关的关键傅里叶变换红外峰是重要的模型预测因子。这项研究成功地建立了色素米糊粉层的直接且非破坏性的表面化学光谱技术，并将其与机器学习模型相结合，形成了一种可行的高通量平台，以加速营养丰富的彩色米品种的分析和鉴定。
-
机器学习算法作为肉类追溯系统工具的有效性：一项对西班牙地中海羔羊胴体进行分类的案例研究
查看原文
2024
Food Control
中科院一区JCR一区
Manuel García-Infante, Pedro Castro-Valdecantos, Manuel Delgado-Pertíñez, Alfredo Teixeira, José Luis Guzmán & Alberto Horcada
食品标签
畜肉 食品安全与风险评估 感官科学与消费者研究 理化与结构表征 传统统计分析与回归 脂质与脂肪酸计算机标签
机器学习/统计学习 支持向量机 K-近邻 分类/鉴别/等级评定 质构/流变/感官数据 超大规模/工业级数据集近几十年来，建立肉制品溯源体系一直是食品科学领域的研究重点。在此背景下，食品营养生物标志物鉴定技术的最新进展，以及统计学技术的不断完善，推动了食品品类识别与分类精度的提升。此外，人工智能技术的兴起更为优化现有动物源性产品鉴别方法提供了全新的突破口。本研究以西班牙本土马略卡绵羊品种的商品肉羊为研究对象，这些肉羊来源于三种养殖模式：哺乳羔羊、放牧育肥轻量级羔羊、放牧结合谷物补饲育肥轻量级羔羊。研究基于羊肉的感官特性、风味特征及营养成分等原始检测数据，对比分析了不同机器学习算法对肉羊养殖模式的鉴别效能。研究共评估了六种机器学习算法，分别为人工神经网络（ANN）、决策树、K 近邻算法（KNN）、朴素贝叶斯、多项逻辑回归以及支持向量机（SVM）。针对每种算法，研究人员测试了三类数据集：一是感官与风味特征数据集，涵盖 CIELAB 色泽参数、持水性、沃布剪切力、挥发性风味物质及专业品鉴评分；二是营养成分数据集，包含常规营养组成与脂肪酸谱；三是整合了前两类数据的组合数据集。所有检测数据最终整合为一个包含 144 个变量、11232 条检测记录的羊肉品质特征数据集。实验结果显示，人工神经网络算法在三类单一数据集上均表现出优异性能：其基于感官风味数据集、营养成分数据集及组合数据集的总体分类准确率分别达到 0.88、0.83 和 0.88。支持向量机算法在基于营养成分数据集和全特征组合数据集鉴别肉羊养殖模式时，表现同样出色，分类准确率与人工神经网络算法持平。K 近邻算法的性能则在所有算法中最差，在各类数据集上的总体准确率均不超过 0.54。本研究证实，机器学习技术是商品肉羊胴体分类的有效工具。其中，人工神经网络与支持向量机算法可作为鉴别地中海型轻量级羔羊养殖模式的技术手段，其判别依据为羊肉的感官、风味及营养特征。不过，为了完善肉羊养殖模式溯源技术，更好地保障消费者权益，同时优化算法的学习过程，未来仍需针对其他绵羊品种开展更多同类研究。
-
食品标签
油脂及油脂制品 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
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据目前，在食品行业中，结合指纹识别方法与环保且经济的分析仪器变得愈发重要。在此背景下，开发了一种基于二硫苏糖醇（DTT）功能化的铯铅溴化物（CsPbBr3）的比色传感器阵列，用于对多种食用油进行定性鉴别。在该传感器阵列的组成中，使用了两种碘化物（十八烷基铵碘化物（ODAI）和 ZnI2）作为识别元素，而 CsPbBr3 则用作传感器阵列的信号探针。不同的食用油对碘化物的氧化方式不同，从而导致剩余碘化物的量也不同。剩余的碘化物与 CsPbBr3 之间会发生卤素离子交换，从而在紫外光下呈现出不同的颜色，从而为每种食用油提供了一个独特的指纹特征。共有五种食用油表现出其独特的比色阵列响应模式，并通过线性判别分析（LDA）成功进行了区分，实现了 100% 的分类准确率。
-
使用便携式拉曼光谱法识别威士忌的学习算法
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Kwang Jun Lee, Alexander C. Trowbridge, Graham D. Bruce, George O. Dwapanyin, Kylie R. Dunning, Kishan Dholakia & Erik P. Schartner
食品标签
酒精饮料 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据由于行业内品牌替换和质量控制问题日益突出，对威士忌等高价值产品进行可靠鉴定至关重要。我们开发了一种新颖的框架，通过将机器学习模型与便携式拉曼设备相结合，无需人工干预即可直接从原始光谱数据中进行威士忌分析。我们证明，对于28个商业样品，机器学习模型在品牌或产品鉴定方面的准确率可超过99%。为了展示这种方法的灵活性，我们使用相同的算法来量化乙醇浓度，并测量加标威士忌样品中的甲醇含量。为了展示这些算法在实际环境中的潜在应用，我们通过原始威士忌酒瓶对光谱测量结果进行了算法测试。通过酒瓶进行测量之所以成为可能，是因为采用了一种迄今为止尚未与机器学习结合应用于威士忌品牌鉴定的光束几何结构。无需倒出酒液这一特点极大地提高了该技术的实用性和商业潜力，使其能够用于检测假冒或掺假的烈酒及其他高价值液体。本文所建立的技术旨在作为一种快速、非破坏性的初步筛选机制，用于检测伪造和篡改的烈酒，以补充更全面、更严格的分析方法。
