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
-
手持光谱仪评估鲤鱼和鳟鱼片新鲜度与标准方法的比较研究
查看原文
2023
Food Control
中科院一区JCR一区
Bernadette Moser, Zora Jandric, Christina Troyer, Lukas Priemetzhofer, Konrad J. Domig, Henry Jäger, Sabrina P. van den Oever, Helmut K. Mayer, Stephan Hann, & Andreas Zitek
食品标签
其他肉与水产品 其他品质相关性质 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 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据本研究评估了三款便携式近红外光谱仪（TellSpec、SCiO、MicroNIR）在监测有机鲤鱼片与湖鳟鱼片新鲜度方面的应用潜力。为支撑不同光谱仪的性能比对，研究同时采用标准检测方法获取多维度指标数据，包括生物胺含量、微生物指标、挥发性盐基氮（TVB-N）含量、脂肪酸组成、汁液流失率、色泽及质构变化，此外还结合动态顶空 - 气相色谱 - 飞行时间质谱（DHS-GC-TOFMS） 开展非靶向代谢组学分析。实验对鱼片在 4℃条件下贮藏 1、3、6、9 天后的样品进行检测，分别采用判别分析与类别建模方法 ——正交偏最小二乘判别分析（OPLS-DA） 和数据驱动型类比软独立建模法（DD-SIMCA），以评估便携式近红外光谱仪区分鲜品与腐败鱼片的性能。研究将近红外光谱数据与标准检测方法所得数据进行相关性分析，筛选出能够表征鱼片腐败进程的特征波长集，并进一步验证这些特征波长对化学计量学模型性能的优化效果。结果显示，便携式近红外光谱仪对鲤鱼片的新鲜度判别灵敏度与特异性均较高：OPLS-DA 模型灵敏度达 88%~100%、特异性达 88%~100%；DD-SIMCA 模型灵敏度达 100%、特异性达 60%~100%。然而，针对湖鳟鱼片的判别中，两种分类模型的灵敏度与特异性均低于鲤鱼片。仅保留与标准检测数据（含 DHS-GC-TOFMS 代谢组学数据）具有相关性的特征波长后，TellSpec 与 MicroNIR 光谱仪对湖鳟鱼片的判别模型性能得到显著提升，但 MicroNIR 与 SCiO 光谱仪所构建的鲤鱼片判别模型性能未获改善。综上，研究证实，所测三款便携式近红外光谱仪对不同鱼类的新鲜度判别效果存在物种特异性差异。便携式近红外光谱仪可作为鱼类新鲜度现场快速检测的有效工具，但主要适用于初筛环节；若需对现场检测结果进行确证，仍需借助实验室标准检测方法，针对腐败特征指标开展定量分析。
-
基于图像评估与机器学习预测多糖基食品墨水用于3D打印的可打印性
查看原文
2023
Food Research International
中科院一区JCR一区
Yixing Lu, Rewa Rai & Nitin Nitin
食品标签
碳水化合物配料 3D 打印与结构构筑 质构与流变性质 质构与流变测试 显微与成像技术 碳水化合物与糖类计算机标签
机器学习/统计学习 随机森林 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据尽管用于食品制造的3D打印需求与兴趣日益增长，但基于生物聚合物组成和流变特性来预测食品级材料的可打印性仍是一项重大挑战。本研究开发了两种基于图像的可打印性评估指标：打印线条的宽度和粗糙度，并使用响应面方法（RSM）结合回归分析和机器学习，利用这些指标评估基于水凝胶的食品墨水的可打印性。使用低甲氧基果胶（LMP）和纤维素纳米晶（CNC）配制、具有不同离子交联密度的食品级墨水的流变学和组成特性被用作可打印性的预测因子。RSM和线性回归显示，基于配方参数对流变特性具有良好的预测能力，但无法预测可打印性指标。对于基于机器学习的预测模型，可打印性指标通过预先指定的阈值进行二值化，并训练随机森林分类器来预测线条宽度和粗糙度标签，以及使用配方和流变参数预测墨水的整体可打印性。在不包含配方参数的情况下，仅基于流变学测量数据训练的模型能够实现较高的预测准确率：对宽度和粗糙度标签的预测准确率为82%，对整体可打印性标签的预测准确率为88%，这证明了预测本研究开发的多糖墨水可打印性的潜力，并可能将该模型推广至具有不同成分的食品墨水。
-
结合高光谱成像与集成学习快速无损检测小麦品种及混合比例
查看原文
2023
Food Control
中科院一区JCR一区
Xinna Jiang, Youhua Bu, Lipeng Han, Jianping Tian, Xinjun Hu, Xiaobing Zhang, Dan Huang, & Huibo Luo
食品标签
小麦 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱小麦是酿造中国白酒的主要原料，其品种差异与配比不同会直接影响白酒的品质与风味。本研究将高光谱成像技术（HSI）与集成学习模型相结合，开展小麦品种的分类鉴别及配比的定量检测研究。研究分别提取了每粒小麦籽粒的光谱信息、纹理特征与形态特征；采用基于密度的噪声应用空间聚类算法（DBSCAN） 剔除异常数据，并通过萨维茨基 - 戈雷卷积平滑结合多元散射校正（SG-MSC） 方法对小麦样品的光谱数据进行预处理。随后，利用竞争性自适应重加权采样算法（CARS） 筛选特征波长，并对比了以特征光谱数据、图像特征及融合数据作为输入时，BP-Adaboost 集成模型的分类效果。验证集的识别结果与可视化分析表明，特征光谱数据与形态特征相融合的建模方案分类效果最优，平均分类准确率达 92.29%，配比预测的最大偏差范围为 5%。即便增加小麦的分类类别，该方法仍能取得优良的检测效果。综上，本研究证实，将高光谱成像技术获取的多维度融合数据与集成学习模型相结合，可有效实现小麦品种的分类鉴别与配比检测，具备实际应用的可行性。
-
食品风味分析4.0：机器学习的跨领域应用
查看原文
2023
Trends in Food Science & Technology
中科院一区JCR一区
Xiangquan Zeng, Rui Cao, Yu Xi, Xuejie Li, Meihong Yu, Jingling Zhao, Jieyi Cheng & Jian Li
食品标签
品质、结构与理化性质 特征风味 感官科学与消费者研究计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析背景：食品风味分析4.0源于工业4.0，它结合了机器学习（ML）和食品风味分析方法。目前，食品风味分析主要依赖于感官评价、仪器分析或两者的结合。近年来，机器学习已有效应用于食品风味的分析和预测。然而，很少有研究团队尝试总结机器学习与食品风味分析相结合的研究进展。
范围与方法：本研究重点综述了食品风味分析与监督学习算法相结合的最新进展，这些算法包括随机森林（RF）、支持向量机（SVM）、k-最近邻（KNN）、神经网络（NN）、深度学习（DL）和混合算法。
主要发现与结论：机器学习在肉类、水果、蔬菜、加工食品和发酵食品中挥发性芳香化合物的测定中保持了强大的预测性能。反向传播神经网络（BPNN）和KNN模型在分类方面都表现良好，准确率高于90%。相比之下，RF和SVM模型在分类和回归方面都提供了令人满意的性能。值得注意的是，BPNN模型在对极其复杂和相似的样品进行分析时获得了最高的分类准确率，而SVM模型在测量一系列肉类样品时被认为是理想的回归算法。总之，食品风味分析与机器学习相结合，在食品添加剂、质量和真实性的快速检测方面具有巨大潜力。 -
基于机器学习结合体外实验验证，定量预测食物过敏原表位
查看原文
2023
Food Chemistry
中科院一区JCR一区
Xin-Xin Yu, Meng-Qi Liu, Xiao-Yan Li, Ying-Hua Zhang & Bing-Jie Tao
食品标签
过敏原与毒性问题 其他体外模型 蛋白质与氨基酸计算机标签
机器学习/统计学习 定量预测/回归分析过敏原表位是能够特异性结合免疫球蛋白E（IgE）并引发过敏反应的分子片段。为预测蛋白质表位及其与免疫球蛋白E的结合能力，研究选取化学描述符并结合四种算法，构建了定量构效关系（QSAR）模型。该模型对表位与免疫球蛋白E结合能力的预测决定系数R2为0.7494，均方根误差（RMSE）为0.2375。采用酶联免疫吸附试验（ELISA）对模型性能进行验证，结果表明所构建的定量构效关系模型能够高效、精准地预测食物蛋白质表位的致敏反应。模型预测结果与实验结果高度吻合，皮尔逊相关系数达0.8956。定量构效关系模型分析与体外实验结果均证实，116–130位氨基酸序列是β-乳球蛋白（β-LG）一种全新的免疫球蛋白E结合表位。
