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
-
通过电化学阻抗谱结合化学计量学技术识别生牛乳中尿素掺假
查看原文2022
Food Chemistry
中科院一区JCR一区Taiz Alana Minetto, Beatriz Denardi França, Gabriel da Silva Dariz, Emiliano Amarante Veiga, Alessandro Cazonatto Galvão & Weber da Silva Robazza
食品标签
液态乳 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 定量预测/回归分析本研究旨在评估 电化学阻抗谱(EIS) 用于鉴别原牛乳中尿素掺假的适用性。研究对三批掺加尿素的原牛乳样品进行检测,系统聚类分析结果显示,样品可划分为三组,分别对应:低掺假组(小于 7 wt%)、中掺假组(8~16 wt%)、高掺假组(大于 16 wt%)。通过线性判别分析(LDA)建模,实现组间分类准确率达 90%。同时,采用含三个主成分方向的偏最小二乘(PLS)模型,对原牛乳中外加尿素的质量分数实现了良好的定量预测效果。最后,基于等效电路模型的拟合计算表明:尿素聚集体的形成会阻碍牛乳内部的电荷传输,进而降低体系电导率。研究结果证实,电化学阻抗谱可作为一种便捷、低成本、快速的检测手段,用于牛乳尿素掺假的鉴别。
-
食品领域的人工智能与伦理:为供应链中的技术采用开发共同语言
查看原文2022
Trends in Food Science & Technology
中科院一区JCR一区Louise Manning, Steve Brewer, Peter J. Craigon, Jeremy Frey, Anabel Gutierrez, Naomi Jacobs, Samantha Kanza, Samuel Munday, Justin Sacks & Simon Pearson
食品标签
过程控制与数字化 标准/法规/数据库分析计算机标签
机器学习/统计学习 深度学习背景:人工智能(AI)在食品供应链中的应用日益增长。与食品供应和技术相关的伦理语言是由利益相关者赋予其含义来情境化和构建的。未能区分这些细微的含义可能会成为技术采用的障碍,并减少由此带来的效益。
范围与方法:本文综述的目的是考虑利益相关者在食品供应链中合作采用人工智能时所使用的嵌入伦理语言。伦理视角构成了本文献综述的框架,并提供了结构,以思考如何塑造一种共同的话语,从而建立对食品供应链中AI的信任,并构建更审慎的利用方式,最终使用户和更广泛的社会受益。
关键发现与结论:尽管食品系统内数据的性质比欧盟通用数据保护条例(GDPR)所涵盖的个人数据广泛得多,但计算和人工智能系统的伦理问题是相似的,可以从特定方面考虑:透明度、可追溯性、可解释性、可诠释性、可访问性、问责和责任。本研究的成果有助于更全面地理解所使用的语言,探索食品供应链中人工智能应用各方面的伦理互动,以及可以采取的管理活动和行动,以提高人工智能技术的适用性、增加参与度并获得更大的绩效效益。这项工作对为食品供应链开发人工智能治理协议的人员以及供应链从业者都有重要意义。 -
将数据挖掘作为食品安全审核数据异常检测的工具
查看原文2022
Food Control
中科院一区JCR一区J.A. Kleboth, H. Kosorus, T. Rechberger, & P.A. Luning
食品标签
标准/法规/数据库分析 食品安全与风险评估计算机标签
机器学习/统计学习 知识抽取与语义理解 文本/知识库/法规数据获证食品企业接连曝出的食品安全事件,使第三方食品安全审核的公正性与可信度持续受到质疑。为对各参与方的履职情况进行监督,并及时发现审核数据中的异常问题,相关机构已为食品安全认证项目所有者(CPOs)制定了诚信管理方案。然而,在海量数据中筛查此类异常信息不仅耗时费力,且目前尚未形成标准化操作方法。本研究探索运用数据挖掘技术与算法模型,实现审核诚信校验的自动化处理,并对适宜算法的可行性展开初步验证。研究从三种潜在适用算法中,选定耦合偏向随机游走算法(CBRW) 作为识别审核数据异常的基础算法。研究人员对该算法进行调整与拓展,使其能够输出潜在异常的诱因分析结果,帮助诚信管理人员更快速地定位异常成因。三位行业专家对该算法的样本检测结果进行核验,并展开深入研讨。验证结果显示,该算法的判别准确率达 80%,同时还挖掘出若干专家此前未掌握的新发现。上述研究结论表明,数据挖掘技术在食品安全审核异常检测领域具备进一步探索的价值。
-
使用机器人和主动学习优化复杂食品配方
查看原文2022
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Deborah Becker, Christophe Schmitt, Lionel Bovetto, Cornelia Rauh, Christopher McHardy & Christoph Hartmann
食品标签
其他复合食品 过程优化与控制策略计算机标签
机器学习/统计学习 设计/生成与推荐配方产品的创建和优化是食品领域科学和工业面临的主要挑战。在此过程中,需要混合和加工不同的原材料,以满足预定义且通常相互竞争的目标。在这一过程中,应用的实验方案不仅需要专业知识,而且根据复杂程度,还会导致资源和成本的高消耗。在本研究中,设计了一个由汤普森采样高效多目标优化(TSEMO)算法驱动的全自动毫流体实验室。该方法成功应用于优化由乳清分离蛋白、NaCl和CaCl2组成的液体配方的聚集过程。在48小时内,无需人工干预即可完成90次实验,得到了一组由18个最优配方形成的帕累托前沿。因此,这成功展示了一个主动学习、自主驱动的食品配方开发过程。
-
基于花香和蜂蜜香味的单丛茶香气多样性研究:挥发性化合物与感官特征的化学计量学分析
查看原文2022
Food Control
中科院一区JCR一区Wei Chen, Die Hu, Aiqing Miao, Guangjun Qiu, Xiaoyan Qiao, Hongling Xia, & Chengying Ma
食品标签
茶/茶饮料 特征风味 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/等级评定凤凰单丛茶是中国乌龙茶中的名优品种,以其香型丰富多变而闻名。然而,这种香型多样性无论是从感官品评层面,还是化学物质分析层面,均难以阐明其内在机制。本研究以凤凰单丛茶典型的 “花香型” 与 “蜜香型” 风味为切入点,对其香气物质进行表征,并结合化学计量学方法探究了两种香型风味背后的挥发性成分差异。为充分涵盖凤凰单丛茶的香型多样性,本研究共收集了 70 份不同品类的茶叶样品。感官审评结果显示,所有样品均呈现出明显的花香或蜜香特征。在挥发性成分分析中,采用顶空固相微萃取 - 气相色谱 - 质谱联用技术(HS-SPME-GC-MS),从所有样品中鉴定出 57 种挥发性化合物。基于香型的分类结果与基于挥发性成分的无监督学习分析结果,呈现出一致的样品聚类模式,这表明花香与蜜香两种风味的差异与茶叶中挥发性成分的组成变化密切相关。研究筛选出 9 种挥发性成分作为两类香型差异的潜在标志性物质:其中,吲哚、反式 - 橙花叔醇、2 - 苯基乙腈和 γ- 己内酯是构成花香型风味主导特征的关键物质;而 2 - 甲基丁酸己酯、戊酸顺式 - 3 - 己烯酯、顺式 - 吡喃型芳樟醇氧化物、反式 - 呋喃型芳樟醇氧化物和顺式 - 呋喃型芳樟醇氧化物则是形成蜜香型风味感官特征的重要组分。本研究构建了一套基于花香、蜜香风味特征的挥发性成分分类体系,研究结果可为凤凰单丛茶的香气品质管控提供理论依据与技术支撑。