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 2456 条结果
-
核心产区陈年老陈皮的风味特征分析:一种结合GC-IMS、GC-MS、电子鼻、电子舌和化学计量学的综合方法
查看原文2025
Food Chemistry
中科院一区JCR一区Haocheng Liu, Manqin Fu, Jijun Wu, Yuanshan Yu, Weili Si, Yujuan Xu & Jiguang Yang
食品标签
其他果蔬制品/植物类 光谱/色谱/质谱等分析方法计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据本研究采用气相色谱-质谱联用(GC-MS)、气相色谱-离子迁移谱(GC-IMS)、电子鼻和电子舌,对来自5个核心产区、陈化年限为5至40年的广陈皮(GCP)的风味特征进行了分析。主要研究结果包括:电子鼻中W1W、W2S和W5S传感器,以及电子舌中的苦味、鲜味、甜味、酸味和涩味至关重要。共鉴定出219种挥发性有机化合物(VOCs),通过偏最小二乘判别分析(PLS-DA)筛选出43种特征性挥发性有机化合物。风味化合物的变化呈现“Λ”形,在30年陈化时达到峰值。陈化对风味的影响大于产地,其中天马产区(TM)的样品风味最浓郁。在开发的7种机器学习预测模型中,随机森林(RF)模型表现最佳,在产地鉴别中准确率达100%,在陈化年限预测中准确率达96%。通过排名前10的关键特征,验证了异丙醇和5-甲基-2(3H)-呋喃酮等关键特征因子,证实了模型的可解释性。
-
使用机器学习算法结合屠宰场饲养员行为和动物行为预测牛黑切肉:土耳其的一项研究
查看原文2025
Meat Science
中科院一区JCR一区Seyfi Özdemir, Gonca Nuran Özdemir & Bulent Ekiz
食品标签
畜肉 颜色与外观品质计算机标签
随机森林 梯度提升决策树 特征工程与选择策略 分类/鉴别/等级评定本研究旨在利用多种机器学习算法,探讨屠宰场饲养员行为、动物行为与牛黑切肉发生之间的关系。研究还将季节、年龄、性别、品种、胴体擦伤评分、胴体重以及各种运输相关变量作为协变量和黑切肉的潜在预测因子。数据采集自648头牛,包括荷斯坦牛、瑞士褐牛和西门塔尔牛。黑切肉胴体的百分比为6.64%。采用合成少数类过采样技术将不平衡数据集转换为平衡数据集。机器学习应用于四种不同的模型,这些模型基于是否纳入协变量、饲养员行为和动物行为作为预测因子来定义。Boosting算法获得了最高的准确率值(0.97)。在所有算法中,包含饲养员行为作为预测因子的模型均取得了最高的准确率值。根据Boosting算法,年龄、屠宰走廊中电击棒的使用和击打以及休息栏类型是影响黑切肉的最重要特征。总之,使用Boosting和随机森林算法,结合包含饲养员行为、动物行为和多种协变量的模型,可以以令人满意的准确率对正常和黑切肉胴体进行分类。然而,本研究反映了土耳其当地的牛只处理实践;需要进一步的研究来探索其他国家的牛只处理实践。
-
利用人工神经网络和激光辅助快速蒸发电离质谱预测咖啡性状
查看原文2025
Food Research International
中科院一区JCR一区Victor Gustavo Kelis Cardoso, Julia Balog, Viktor Zsellér, Tamas Karancsi, Guilherme Post Sabin & Leandro Wang Hantao
食品标签
咖啡饮料 感官评价与方法学 光谱/色谱/质谱等分析方法 脂质与脂肪酸 碳水化合物与糖类 多酚与黄酮计算机标签
偏最小二乘法 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析背景:咖啡是全球经济中的重要商品,智能技术对于精确的质量控制和以消费者为导向的产品开发至关重要。感官感知可能是最重要的信息,因为它直接关系到产品的接受度。然而,感官分析不精确,且存在与主观性和完全依赖感官小组相关的大偏差。因此,可能需要开发实用技术来辅助做出准确决策。
结果:本研究提出了一种新方法,应用激光辅助快速蒸发电离质谱联用高分辨质谱对咖啡样品进行指纹图谱分析。预测模型对测试样品感官属性的估计准确率在87%至96%之间。在咖啡属性估计方面,鉴于质谱谱图与模拟属性之间的复杂关系,人工神经网络的性能优于偏最小二乘判别分析。根据评估人工神经网络权重的新方法,初步鉴定的化合物(如糖类、绿原酸和脂肪酸)是对咖啡感官属性影响最大的物质。
意义:所提出的方法可以使用自动化设备以最少的样品前处理分析咖啡样品。由于准确率高达96%,预测模型可用于辅助感官小组进行决策。此外,提出了一种用于评估人工神经网络模型中质荷比重要性的新算法,为该算法的使用铺平了道路,从而实现了更高层次的解释。 -
集成智能手机的变色龙比率型镧系金属有机框架传感器:复杂环境和食品中生物标志物实时鉴别用半定量荧光法
查看原文2025
Food Chemistry
中科院一区JCR一区Wenxi Zhang, Yingchao Zhang, Fei Shen, Yanjie Lv, Jing Sun, Yuhan Cui, Xinglong Wang, Xiao Li & Zhongmin Su
食品标签
探针与分析传感材料 微生物安全计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 可见光/RGB/视频数据开发快速便捷的2,6-二吡啶酸(DPA)传感器对于提升食品和医疗领域的微生物安全具有重要意义,对更广泛的工业应用具有重要意义。本研究提出了镧系金属有机框架([Ln(H)2(a)2(头部)2(H2O)5(MeOH)n, Ln = Eu, Tb),命名为CUST-865和CUST-866。这是首次使用主成分分析方法来区分DPA。DPA分子精确替代了金属有机框架中的配位水分子,使得构建开放式比例镧系荧光传感器成为可能。此外,开发了一种新颖的“一对二”逻辑传感器,具备单输入和双输出配置。该系统表现出变色龙般的行为,动态地根据输入调整输出信号。此外,配备彩色识别应用的智能手机平台能够检测DPA。CUST-865和CUST-866在自来水中的检测限为0.19微米和1.15微米,奶粉中为0.22微米和1.11微米。
-
基于改进轻量化深度学习模型的高档绿茶杂质检测
查看原文2025
Food Research International
中科院一区JCR一区Zezhong Ding, Mei Wang, Bin Hu, Zhiwei Chen & Chunwang Dong
食品标签
茶/茶饮料 食品安全与风险评估 过程监测与在线检测计算机标签
目标检测网络 其他深度学习结构 模型轻量化/边缘计算 分类/鉴别/等级评定茶叶在采摘和加工过程中可能混入杂质,从而降低其品质。目前,高档绿茶中的杂质分选主要依赖人工,效率低下。为应对该行业的技术挑战,本文采用深度学习技术检测高档绿茶中的杂质。然而,在实际生产中,计算资源受设备限制,大型模型不适合部署。在此基础上,提出了一种用于检测高档绿茶杂质的轻量化模型。我们在自制数据集上对YOLOv8模型进行了实验,并选择了基础模型和教师模型。通过替换损失函数和轻量化卷积、模型剪枝以及知识蒸馏,该模型在实现轻量化的同时提升了检测性能。实验结果表明,改进模型的GFLOPs、参数量、精确率(P)、召回率(R)、平均精度均值(mAP)和每秒帧数(FPS)分别为4.2、791966 B、0.9379、0.8959、0.9484和1362.7。与原始模型相比,P、R、mAP和FPS分别提升了0.0216、0.0320、0.0261和368.0。GFLOPs和参数量分别减少了3.9(48.15%)和2214462 B(73.66%)。本研究为高档绿茶的智能杂质分选提供了技术支持。