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 91 条结果
-
探索人工智能在水产养殖中满足日益增长食物需求的机遇
查看原文2024
Food Chemistry:X
中科院一区JCR一区Mohd Ashraf Rather, Ishtiyaq Ahmad, Azra Shah, Younis Ahmad Hajam, Adnan Amin, Saba Khursheed, Irfan Ahmad & Showkat Rasool
食品标签
鱼肉 过程优化与控制策略 生产管理与数字化工厂计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据全球人口的不断增长推动了对食品的需求上升,尤其是作为首选蛋白质来源的鱼类,这给捕捞渔业带来了压力。过度捕捞导致野生鱼类资源枯竭,凸显了对先进水产养殖技术的需求。与农业不同,水产养殖尚未取得重大的技术进步。人工智能(AI)工具,如物联网(IoT)、机器学习、摄像头和算法,为减少人为干预、提高生产力以及监测鱼类健康、优化饲料和水资源管理提供了解决方案。然而,数据收集、标准化、模型准确性、可解释性以及与现有水产养殖系统的整合等挑战依然存在。本综述探讨了人工智能技术和工具在水产养殖业中的应用,以推动该行业发展并弥合食品供需之间的差距。
-
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。
-
深度机器学习利用多光谱成像识别鱼肉
查看原文2024
Current Research in Food Science
中科院一区JCR一区Zhuoran Xun, Xuemeng Wang, Hao Xue, Qingzheng Zhang, Wanqi Yang, Hua Zhang, Mingzhu Li, Shangang Jia, Jiangyong Qu & Xumin Wang
食品标签
鱼肉 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
支持向量机 随机森林 主成分分析/判别分析 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品欺诈在水产食品市场中十分普遍,因此需要快速且无损的鱼肉鉴别方法。本研究结合基于线粒体COI基因的鉴定方法,采用多光谱成像(MSI)技术对中国烟台周边海域常见的20种可食用鱼类的肉片进行了筛选。研究发现,由多光谱成像数据转换得到的nCDA图像在这20种鱼类的肉片上显示出显著差异。随后,我们采用8种模型,基于保留法(将数据集按70%用于训练、30%用于测试)对它们的预测性能进行了比较。卷积神经网络(CNN)、二次判别分析(QDA)、支持向量机(SVM)和线性判别分析(LDA)模型在交叉验证和测试数据上表现良好。其中,CNN和QDA在测试集上的准确率达到了99%以上。通过提取CNN特征并进行优化,所有物种都实现了高度的分离。此外,基于随机森林(RF)中的基尼指数,我们筛选出11个波段作为CNN的关键分类特征,准确率达到了98%。本研究成功构建了一个将机器学习模型(尤其是CNN)应用于多光谱成像鱼肉鉴别的流程,并为未来鱼肉的市场销售鉴别提供了一种便捷、无损的方法。
-
应用近红外光谱作为检测线方法评估金枪鱼中的组胺
查看原文2024
Food Control
中科院一区JCR一区Sarah Currò, Federica Savini, Luca Fasolato, Valentina Indio, Federico Tomasello, Giulia Rampazzo, Elisa Zironi, Giampiero Pagliuca, Teresa Gazzotti, Laura Prandini, Damiano Accurso, Andrea Serraino, Valerio Giaccone & Federica Giacometti
食品标签
鱼肉 化学污染物 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集在当前全球食品安全背景下,对水产品中组胺含量的评估已成为一个至关重要的问题,因其对人类健康具有深远影响,并会显著影响食品品质与国际贸易。组胺中毒源于摄入组胺含量过高的食品,这是由于在不当的处理、加工或储存条件下,细菌将组氨酸脱羧生成组胺所致。本研究旨在对冻融黄鳍金枪鱼(Thunnus albacares)样品中的组胺污染情况进行系统性评估,采用了一种融合近红外光谱(NIRS)与先进机器学习技术的综合方法。共采集101份样品,并通过系统的加标处理获得四个组胺浓度水平(0、50、150 和 250 mg/kg);所有加标浓度均经液相色谱-串联质谱(LC-MS/MS)分析验证。随后,采集各样品的NIRS光谱,并分别采用改进型偏最小二乘回归(MPLS)和支撑向量机(SVM)进行定量与定性分析。基于全光谱的MPLS模型在交叉验证和独立验证集上均表现出良好的预测性能(R²CV = 0.88,R²P = 0.74),证实了NIRS在金枪鱼组胺含量估算方面的应用潜力。SVM分类模型在二分类(有/无组胺)和多分类(四个浓度等级)任务中分别达到了100%和93%的准确率。本研究表明,将近红外光谱与机器学习相结合,可实现对冻融金枪鱼中组胺的快速、精准检测,为传统检测方法提供了一种无损、环保的替代方案。该方法对食品企业经营者和监管机构具有重要价值,有助于提升水产品安全水平、加强质量控制,并优化与组胺污染相关的决策流程,在海产品行业中展现出广阔的应用前景。
-
鱼类切割研究新进展:从切割方案到自动化技术与物联网创新
查看原文2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Qing Li, Huawei Ma, Weiqing Min, Yang Wang, Ran Zhao, Yongjie Zhou, Yuqing Tan, Yongkang Luo & Hui Hong
食品标签
鱼肉 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术计算机标签
机器学习/统计学习 深度学习 缺陷/异物检测与定位 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据鱼类切割产品因其不同部位独特的营养成分和风味而广受消费者喜爱。然而,由于工作环境恶劣、工作量大以及具有季节性,鱼类切割行业面临着劳动力短缺的问题。因此,需要一些自动化、高效且大规模的切割技术来克服这些挑战。随着工业4.0的发展,物联网(IoT)、人工智能、大数据和区块链技术正逐步应用于切割过程中,在数字化生产监控和产品安全提升方面发挥着关键作用。本文综述聚焦于主要的鱼类切割方案,并深入探讨先进的自动切割技术,展示最新的技术进展以及它们如何给鱼类切割行业带来变革。此外,还讨论了基于物联网的鱼类切割过程生产监控架构。鱼类切割涉及多种方案,这些方案是根据每种鱼块的特定特征量身定制的。切割过程包括去头、去尾、切片、去骨、去皮、修整和骨头检测。通过整合传感器、机器视觉、深度学习和先进的切割工具,这些技术正将鱼类切割从人工操作转变为自动化流程。这种转变对该行业具有重要的实际意义,不仅提高了效率、保证了产品质量的一致性,还增强了安全性,最终在工业4.0的背景下为鱼类切割自动化提供了一种现代化的制造方法。