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 93 条结果
-
通过机器学习预测和改进复杂啤酒风味
查看原文2024
Nature Communications
中科院一区JCR一区Michiel Schreurs, Supinya Piampongsant, Miguel Roncoroni, Robbe Van der Borgt, Simon A. F. J. Vleugels & Kevin J. Verstrepen
食品标签
酒精饮料 感官科学与消费者研究 问卷/市场与消费者研究 传统统计分析与回归 其他特殊成分 其他植物化学物质计算机标签
机器学习/统计学习 梯度提升决策树 分类/鉴别/等级评定 文本/知识库/法规数据 中等规模数据集对食物风味的感知和评价取决于多种相互作用的化学物质和外部因素,因此其理解和预测极具挑战性。在此,我们对 250 种不同啤酒进行了广泛的化学和感官分析,以训练机器学习模型,从而能够预测风味和消费者的喜爱程度。对于每种啤酒,我们测量了超过 200 种化学特性,通过经过训练的品尝小组进行了定量的描述性感官分析,并将来自超过 18 万份消费者评论的数据进行映射,以训练 10 种不同的机器学习模型。表现最佳的算法——梯度提升算法——生成的模型显著优于基于传统统计学的预测,并能准确地从化学特征中预测复杂的食物特征和消费者的喜爱程度。模型剖析有助于识别特定且意想不到的化合物作为啤酒风味和喜爱程度的驱动因素。添加这些化合物会使得商业酒精和非酒精啤酒的变体具有更高的消费者喜爱度。
-
基于生物标志物与关键风味物质筛选的酱香型白酒不同质量等级机器学习鉴别与预测
查看原文2024
Food Chemistry:X
中科院一区JCR一区Shuai Li,Jun Lu,Tao Li,Yueran Han,Shuyi Qiu,Pei Yan,Guohui Li,Tingting Ren & Ming Yan
食品标签
酒精饮料 感官科学与消费者研究 特征风味 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 组学数据基酒的质量等级直接决定了酱香型白酒的最终品质。然而,传统的等级评定方法往往依赖主观经验,缺乏客观性和准确性。本研究采用气相色谱-氢火焰离子化检测器(GC-FID),结合定量描述分析法(QDA)和气味活度值(OAV),鉴定出27种关键风味化合物,包括乙酸、丙酸、油酸乙酯和异戊醇等,它们是导致质量等级差异的重要因素。此外,还发现16种细菌生物标志物(包括Komagataeibacter菌和醋酸杆菌等)以及7种真菌生物标志物(包括曲霉和红曲霉等)是影响这些差异的关键微生物。同时,酒醅中的还原糖含量对基酒质量有显著影响。最后,本研究对11种机器学习分类模型和9种预测模型进行了评估,筛选出用于准确进行质量等级分类和预测的最优模型。该研究为完善酱香型白酒的评价体系和保证产品质量稳定性奠定了基础。
-
引信1H NMR和拉曼实验数据,用于改进葡萄酒识别模型
查看原文2024
Food Chemistry
中科院一区JCR一区Ariana Raluca Hategan, Maria David, Adrian Pirnau, Bogdan Cozar, Simona Cinta-Pinzaru, Francois Guyon, & Dana Alina Magdas
食品标签
酒精饮料 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 分类/鉴别/等级评定 红外/拉曼光谱数据本研究提出基于人工智能(AI)开发新的葡萄酒识别模型,应用于中层数据融合¹H NMR和拉曼数据。为此,采用了一种监督机器学习方法,即支持向量机(SVM),用于根据品种、年份和地理产地对葡萄酒样品进行分类。由于两者数据源之间的关联产生了高维输入空间,在SVM建模之前,采用了特征选择算法来识别每个葡萄酒分类准则中最相关的判别标记。所提数据处理策略使葡萄酒样本集在交叉验证和独立测试集上都能达到高达100%的准确率,并突出了1采用氢核磁共振和拉曼数据融合,而非使用单一来源数据区分葡萄酒品种和年份。
-
基于机器学习辅助批量拉曼光谱的酒类质量参数快速同步定量与判别分析:仪器升级与化学计量学优化的协同作用
查看原文2024
Food Control
中科院一区JCR一区Wenguang Liu, Xiaohong Liang, Songgui He, Zhuangwei Shi, Baoyan Cen, Wangqiao Chen, Hai Bi, & Chenhui Wang
食品标签
酒精饮料 品质、结构与理化性质 感官科学与消费者研究 理化与结构表征 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究以商品白酒为研究对象,基于批次式拉曼光谱系统结合化学计量学方法,开展白酒两项关键品质指标 —— 酒精度及综合感官品质的快速同步检测研究。课题组自主设计的电动 12 联比色皿样品台,可实现对 34 批次标准白酒样品的稳定高效光谱采集;同时补充酒精度调控样品与综合感官不合格样品,构建两个独立数据集,用于优化和验证基于多元统计分析与机器学习的化学计量学方法。研究表明,采用主成分分析(PCA)降维结合非线性核函数支持向量回归(SVR)的方法,在酒精度预测与感官不合格样品判别任务中均表现出最优性能。扩大训练集的酒精度梯度范围后,所构建的 PCA-SVR 模型定量能力显著提升,对受试标准白酒样品的酒精度预测偏差可控制在 ±0.15% 体积分数以内。针对感官品质分级构建的 PCA-SVR 模型,对成分与标准样品相近的不合格白酒的判别平均精准度达 93%。基于仪器与化学计量学方法的协同优化,本研究所构建的机器学习辅助批次式拉曼光谱系统,为白酒生产提供了一套快速、可靠且一体化的品质管控工具。
-
基于纸基比色聚二乙炔传感器阵列的现场智能手机乙醇含量检测
查看原文2024
Chemical Engineering Journal
中科院一区JCR一区Dong-En Wang, Changhan Yan, Sirui Bai, Yaping Zhang, Wenjing Huo, Kaiting Ning, Lei Zhao, Hui Yang & Huiyun Xu
食品标签
酒精饮料 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据制药、食品及燃料工业中乙醇消耗量的加速增长,直观地推动了对简便、便携、可靠且经济的乙醇含量监测方法的研发。本研究以咪唑及其衍生物修饰的四种二乙炔(DA)单体为原料,制备了纸基聚二乙炔(PDA)传感阵列。通过喷墨印刷技术将四种单体衍生的DA墨水直接涂覆于A4纸面,经紫外辐照转化为具有高稳定性和均匀性的PDA材料。印刷制备的聚二乙炔(PDA)传感器在接触有机溶剂和水时表现出溶剂诱导的不可逆颜色转变。通过集成多种比色响应,该传感器可产生独特的颜色变化模式,能够区分包括乙醇和水在内的11种不同溶剂。这种基于模式识别的传感性能进一步推动了点阵式传感器阵列的研发,该阵列通过多传感元件的协同作用,可针对0至100%宽动态范围内的不同乙醇浓度生成具有显著差异的比色图谱。结合RGB值雷达图与主成分分析(PCA),该传感器阵列还展现出卓越的乙醇浓度区分能力(5%-100%)。通过该创新方法,不同乙醇含量的商业白酒样品或含不同比例乙醇的燃料费均可通过肉眼观察和PCA得分图实现快速区分鉴定。为进一步提升实用性,本研究开发并集成了一款智能手机应用程序与PDA传感器阵列,可对真实酒样中的乙醇含量进行高精度实时读数。基于该传感系统具备的简易性、便携性和可靠性,本研究为乙醇含量的现场检测提供了一种前景广阔的方法,在质量控制、食品安全检测及消费者权益保护等领域具有广泛的应用潜力。