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
-
食用油的电化学研究:实验、电特征及掺假花生油的监督学习案例研究
查看原文2023
Food Chemistry
中科院一区JCR一区Anoop C. Patil, Ana Fernández la Villa, Arjun Kesav Mugilvannan & Untzizu Elejalde
食品标签
植物油 食品安全与风险评估 理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定传统表征食用油的常规方法,如化学分析法、色谱法及光吸收技术,操作繁琐、成本高昂且设备体积庞大、不易落地应用。本文采用电化学阻抗谱技术对13种食用油开展研究,提出一种无需样品前处理、可快速且稳定表征食用油电学特性的新方法。该方法通过交变电场探测食用油,捕捉各类食用油特有的电学响应特征。经主成分分析可有效区分食用油种类,并构建具有重复性的特征变化规律,以此作为食用油的电学特征指纹。将该检测数据应用于掺假花生油实例研究中,采用分批留一法的有监督机器学习算法实现掺假比例定量检测。4组测试批次的平均绝对误差为2.18~3.27,决定系数R²为0.975~0.991。本研究为食用油的电化学检测研究提供了范例,有望开发便携式实用检测装置,实现食用油及掺假油品的现场快速检测。
-
基于比色传感器阵列技术和仿生算法的便携式牛肉新鲜度检测平台用于总挥发性盐基氮测定
查看原文2023
Food Control
中科院一区JCR一区Weidong Xu, Yingchao He, Jiaheng Li, Jianwei Zhou, Enbo Xu, Wenjun Wang, & Donghong Liu
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
机器学习/统计学习 定量预测/回归分析本研究将比色传感阵列(CSA) 与仿生优化算法相集成,构建了一套便捷的挥发性盐基氮(TVB-N)定量检测平台。
研究首先制备了包含 12 种显色敏感材料的比色传感阵列,用于采集牛肉的气味信息并生成可视化气味指纹图谱。其次,采用四种仿生优化算法 —— 蚁群优化算法(ACO)、粒子群优化算法(PSO)、模拟退火算法(SA)及鲸鱼优化算法(WOA),从比色传感阵列的指纹图谱中筛选特征变量。最后,构建结合特征显色组分的反向传播神经网络(BPNN)模型,实现对牛肉贮藏过程中 TVB-N 含量的定量检测,有效提升了模型的检测精度、稳健性与泛化能力。结果表明,四种算法中鲸鱼优化算法的优化性能最优,其余算法性能排序依次为粒子群优化算法、蚁群优化算法、模拟退火算法。经 WOA 优化后,仅需 2 种显色材料即可实现牛肉贮藏期 TVB-N 的检测。基于这 2 种材料筛选出的 3 个特征变量所构建的 BPNN 模型,检测效果最佳,其校正均方根误差(RMSEC)为2.502±0.083 mg/100g,校正决定系数(Rc2)为0.966±0.002,预测均方根误差(RMSEP)为2.903±0.143 mg/100g,预测决定系数(Rp2)为0.952±0.006,残差预测值(RPD)为3.430±0.185。综上,WOA-BPNN 模型可实现牛肉贮藏过程中 TVB-N 含量的高精度定量检测,同时减少比色传感阵列的制备耗材。比色传感阵列与高性能仿生算法的结合,有望成为一种便捷的食品新鲜度现场快速检测传感平台。 -
基于机器学习和冷链物流中多源感知的蓝莓新鲜度预测改进
查看原文2023
Food Control
中科院一区JCR一区Wentao Huang, Xuepei Wang, Junchang Zhang, Jie Xia, & Xiaoshuan Zhang
食品标签
新鲜水果 品质、结构与理化性质 过程控制与数字化 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 支持向量机 定量预测/回归分析传统果实新鲜度预测建模高度依赖水分散失率、pH 值、维生素 C 含量等理化指标,存在检测耗时费力、具有破坏性且预测精度偏低等现实难题。针对这一问题,本研究提出一种基于多传感技术与机器学习算法的果实新鲜度预测新方法,旨在提升果实新鲜度预测的自动化、智能化水平与检测精度。研究首先依据危害分析与关键控制点(HACCP)方法,解析蓝莓冷链物流的关键控制点,明确氧气(O2)、二氧化碳(CO2)、乙烯(C2H4)三类核心气体参数,以及气体指标与蓝莓新鲜度之间的作用机制。在此基础上,研发蓝莓冷链微环境监测平台(BCCMMP),实现 0℃、5℃、22℃三种温度条件下核心气体含量的实时监测。实验证实,气体信息可替代品质指标实现对蓝莓新鲜度的表征。研究进一步利用核心气体信息,构建反向传播神经网络(BP)、径向基函数神经网络(RBF)、支持向量机(SVM)、极限学习机(ELM)四种前沿机器学习预测模型。结果显示,各模型预测准确率分别为 90.87%(BP)、92.24%(RBF)、94.01%(SVM)、91.31%(ELM);而基于温度与品质参数的传统阿伦尼乌斯方程法,预测准确率仅为 85.10%。本研究通过传感数据的自动化无损采集结合前沿机器学习算法,为提升果实冷链物流过程中的新鲜度预测精度与食品质量管理水平提供了全新技术路径。
-
食品质量监测中货架期预测模型的最新进展
查看原文2023
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Fangchao Cui, Shiwei Zheng, Dangfeng Wang, Xiqian Tan, Qiuying Li, Jianrong Li & Tingting Li
食品标签
货架期预测与品质劣变动力学 品质、结构与理化性质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据每年,由于供应链中的变质或损耗,有13亿吨食物损失,约占全球粮食产量的三分之一。这就要求制造商在每个阶段都提供关于食品保质期的准确信息。目前已开发并应用了多种食品质量监测模型来预测食品保质期。本综述对保质期模型进行了分类,并详细阐述了常用模型的应用背景和特点,以便更好地理解这些常用模型的不同用途和方面。特别是,本文详细说明了常用模型的结构框架、应用机制和数值关系。此外,本研究重点关注了常用模型在食品领域的应用。除了预测食品的新鲜度指数和剩余保质期外,本研究还涉及食品分类(成熟度和损伤程度)以及成分预测等方面。最后,本文展望了保质期模型在食品领域的进一步推广、多元分析方法的应用以及新模型的开发。通过实时监测食品质量,可以筛选出更可靠的运输、加工和包装方法。
-
大米产地和品种评估的指纹图谱方法:开发、验证与数据融合实验
查看原文2023
Food Control
中科院一区JCR一区Jet Van De Steene, Joeri Ruyssinck, Juan-Antonio Fernandez-Pierna, Lore Vandermeersch, An Maes, Herman Van Langenhove, Christophe Walgraeve, Kristof Demeestere, Bruno De Meulenaer, Liesbeth Jacxsens, & Bram Miserez
食品标签
大米 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 时序传感器/物联网数据本研究选取多种分析技术,包括近红外光谱(NIR)、中红外光谱(MIR)、高光谱成像(HSI)、气相色谱 - 质谱联用(GC-MS)及质子转移反应飞行时间质谱(PTR-TOF-MS),结合化学计量学方法,以稻米为研究对象,系统评估上述技术在解决食品真实性鉴别问题中的应用潜力。研究共采集分析了 237 份稻米样品,样品源自意大利、西班牙、越南、巴基斯坦及泰国等主产国,旨在实现稻米的产地溯源与品种鉴别。实验采用高斯过程隐变量模型(GP-LVM),将多维数据压缩至二维空间并生成具有明确物理意义的降维表征,随后结合最近邻算法完成分类建模。产地溯源结果显示,GC-MS 技术在所有待测国家样品的鉴别中均表现优异,是准确率最高的检测方法,预测正确率介于 86%~94%;将 GC-MS 分别与 NIR、HSI 技术进行数据融合后,产地溯源的预测正确率均超过 90%。基于上述分析技术开展的品种鉴别实验表明:单一技术中,HSI 对所有稻米品种的鉴别预测正确率均高于 90%,区间为 96%~99%;数据融合实验中,GC-MS 与 NIR 联用的鉴别预测正确率均达到或高于 92%;而 GC-MS 与 HSI 联用后,所有品种的鉴别预测正确率均高达 98%。综上,本研究提出的技术方法可成功应用于稻米的真实性鉴别。