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
-
一种新型高通量高光谱扫描仪及其分析预测玉米籽粒成分和物理性状的方法
查看原文2022
Food Chemistry
中科院一区JCR一区Jose I. Varela, Nathan D. Miller, Valentina Infante , Shawn M. Kaeppler, Natalia de Leon & Edgar P. Spalding。
食品标签
玉米 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 高光谱/多光谱光谱面向科研人员、育种家和加工企业所关注的玉米籽粒关键性状,开展大规模表型鉴定亟需高效高通量检测方法,而目前此类技术仍较为匮乏。为解决这一瓶颈,本研究开发了一套全新的平板式检测平台,可自动采集并分析玉米籽粒的多波长近红外(NIR 高光谱)图像,其检测精度足以对籽粒蛋白质含量、密度、胚乳角质度实现可靠预测。该平台采用朝上式相机设计,并能通过专属侧面模型,自动区分分析样品中每一粒籽粒的胚面与非胚面,相较于其他单籽粒检测平台,实现了检测通量与预测精度的更佳兼顾。平台对蛋白质含量的预测均方根误差为0.85%,密度预测误差低至0.038 g/cm³,胚乳角质度百分比预测误差为6.3%;同时可精准测定籽粒长度与宽度,实现对快速扫描样品中每一粒籽粒的全面表型表征。
-
基于化学计量学对Lippia属植物精油化学成分及抗氧化活性的比较分析
查看原文2022
Food Chemistry
中科院一区JCR一区Carla de Fatima Alves Nonato, Cicera Janaine Camilo, Débora Odília Duarte Leite, Mário Gustavo Lúcio Albuquerque da Nobrega, Jaime Ribeiro-Filho, Irwin Rose Alencar de Menezes, Josean Fechine Tavares & José Galberto Martins da Costa
食品标签
香精香料 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
机器学习/统计学习 分类/鉴别/等级评定鉴于氧化应激相关疾病的重要危害性,开展天然抗氧化剂的筛选研究具有重要必要性。本研究旨在通过化学计量学分析,对比过江藤属(Lippia L.) 植物精油的化学成分及抗氧化能力。采用气相色谱 - 质谱联用技术(GC-MS) 对精油进行成分表征;通过 DPPH 法、ABTS 法、脱氧核糖保护法、β- 胡萝卜素保护法、铁离子螯合法及铁离子还原法,测定其抗氧化活性,并采用多元统计分析关联所有实验数据。结果显示,供试精油的化学成分相似性较低,且无统计学显著相关性;所有精油均表现出可观的抗氧化活性,其中狭叶过江藤(L. sidoides) 效果尤为突出,其 ABTS 自由基清除的半抑制浓度(IC₅₀) 为 5.22±0.08 μg/mL。多元分析表明:白过江藤(L. alba)中的活性成分对 DPPH 自由基清除、Fe 3+还原及 β- 胡萝卜素保护作用显著;细叶过江藤(L. gracilis)成分则在脱氧核糖保护中效果突出。综上,深入论证过江藤属化合物对抗氧化应激的潜力及其在食品保鲜中的应用,具有重要研究价值。
-
机器学习方法用于预测沙门氏菌副溶血性肠炎在热处理和氯处理后的单细胞滞后时间
查看原文2022
Food Research International
中科院一区JCR一区Zijie Lin, Xiaojie Qin, Jing Li, Muhammad Zohaib Aslam, Tianmei Sun, Zhuosi Li, Xiang Wang, & Qingli Dong
食品标签
微生物安全 显微与成像技术 微生物计数与生长曲线计算机标签
机器学习/统计学习 支持向量机 随机森林 梯度提升决策树 模型可解释性 定量预测/回归分析 可见光/RGB/视频数据随着食品源性病原体建模的发展,单细胞变异的重要性日益突出。传统的预测微生物学模型由于个体细胞的异质性,无法准确描述少量细胞的生长行为。本研究的目的是开发用于预测沙门氏菌(Enteritidis)在热处理和氯处理后单细胞滞后时间的模型。采用时间间隔显微镜方法通过监测细胞分裂来评估单细胞滞后时间。应用并比较了包括梯度提升回归树(GBRT)、人工神经网络(ANN)、随机森林(RF)和支持向量回归(SVR)在内的四种监督机器学习算法。结果显示,四种机器学习模型均具有良好的预测能力,且数据未出现过拟合现象。人工神经网络(ANN)方法在预测性能上优于其他机器学习模型(RMSE:0.209,MAE:0.135,R²:0.989)。此外,使用Shapley加性解释(SHAP)方法衡量每个特征对模型输出的影响,结果显示,群体滞后时间和亚致死损伤率对单细胞滞后时间具有主导影响。因此,本研究所得结果可能有助于管理由食源性病原体单细胞引起的潜在食品安全风险。
-
食品微生物学中高光谱成像与机器学习的应用:细菌、真菌和病毒污染物检测的发展与挑战
查看原文2022
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Aswathi Soni, Yash Dixit, Marlon M. Reis & Gale Brightwell
食品标签
微生物安全 显微与成像技术 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 缺陷/异物检测与定位 高光谱/多光谱光谱高光谱成像(HSI)是一种强大的非破坏性方法,能够检测食品中的外来颗粒,如微生物、化学和物理污染物。本综述总结了过去二十年在该领域所做的工作,重点关注挑战、风险和研究空白。考虑到在食品等复杂基质上使用高光谱成像所面临的挑战(例如背景信号的干扰和掩盖效应),本文还讨论了机器学习和建模方法的应用,这些方法成功地提高了检测准确性并提升了检测限。食源性微生物污染物,如细菌、真菌、病毒、酵母和原生动物,因其可能导致食物中毒或食品腐败的风险,受到食品制造商的关注和重视。使用快速高效的方法检测这些污染物,不仅可以防止疫情爆发和产品召回,还能提高消费者对耐储存食品的接受度和需求。传统的基于培养的微生物检测方法既耗时又耗力,而高光谱成像(HSI)则具有强大、非破坏性的特点,且样品前处理最少,因其检测微生物污染物的快速性而受到广泛关注。本综述全面总结了食品中细菌、病毒和真菌污染物的检测情况,并详细强调了用于克服与背景和数据复杂性相关的特定挑战的具体建模和数据挖掘方法。
-
基于传感器与机器学习的鱼类品质评估:机理性综述
查看原文2022
Food Control
中科院一区JCR一区Rehan Saeed, Huanhuan Feng, Xiang Wang, Xiaoshuan Zhang, & Zetian Fu
食品标签
鱼肉 品质、结构与理化性质 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 定量预测/回归分析 时序传感器/物联网数据鱼类作为全球食品生产的重要组成部分,兼具高营养价值、易腐性的特点,且其品质易受捕捞前养殖环境及死后生理变化等因素的影响。传统检测方法操作繁琐、耗时长久,无法满足鱼类品质监测的实时化与现场化应用需求。传感器技术为此提供了极具潜力的替代方案,因此本研究基于检测原理,重点综述了比色传感器、电化学传感器、酶传感器及气体传感器在鱼类品质监测领域的创新应用。机器学习凭借其对现场传感器采集的海量数据的处理能力,已逐渐成为食品质量管理与品质预测的有力工具。然而,现阶段用于鱼类品质检测的新型传感器,在检测精度、稳定性、检测限、灵敏度、特异性、灵活性及低功耗等性能指标上仍存在不足。本综述旨在全面梳理鱼类品质评价指标、新型传感检测技术及机器学习算法的研究进展,结合鱼类品质预测与模式识别的应用场景,批判性剖析当前研究存在的空白与不足。此外,研究还着重探讨了该领域面临的现实挑战,并对未来发展方向进行展望。