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
-
基于欧盟RASFF数据的神经网络与非神经网络机器学习模型在食品安全风险预测中的比较
查看原文2022
Food Control
中科院一区JCR一区Alberto Nogales, Rodrigo Díaz-Morón, & Álvaro J. García-Tejedor
食品标签
食品安全与风险评估计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 文本/知识库/法规数据欧盟于 1977 年建立了食品和饲料快速预警系统(RASFF)门户网站,旨在对食物链中发现的公共健康风险开展跨境监测并快速响应。目前,欧盟尚无充足资源用以推行全面抽检制度,但食品和饲料快速预警系统的相关数据具备巨大潜力,可作为一项风险预防工具。然而,当前针对食品与饲料风险事件预测的研究较为匮乏,尚未出现利用该系统数据开展的相关研究。尽管深度学习模型是性能优异的预测系统,但在该领域其表现是否优于其他机器学习技术,仍有待验证。此外,类别变量编码作为数值模型输入数据的重要性,同样需要重点研究。本文研究结果表明,结合实体嵌入技术的深度学习模型为最优组合方案:在简化版食品和饲料快速预警系统流程的三个测试阶段中,该模型准确率分别达到 86.81%、82.31% 和 88.94%。不过,采用独热编码的随机森林模型,预测结果仅略逊一筹。由此可见,在模型预测效果层面,编码方式的影响程度要高于预测技术本身。本研究同时证实,概率预测法(神经网络模型的一项优势)的应用,还可进一步优化抽检频次规划。
-
鲜味肽筛选与评价的研究进展
查看原文2022
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Lulu Qi, Xinchang Gao, Daodong Pan, Yangying Sun, Zhendong Cai, Yongzhao Xiong & Yali Dang
食品标签
蛋白质配料 感官评价与方法学 组学与高通量技术 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主鲜味是影响食物味道的重要因素,鲜味肽的开发是食品调味研究中一个备受关注的课题。传统的鲜味肽筛选技术耗时费力,难以满足高通量筛选的要求,这限制了鲜味肽的快速发展。鲜味强度的标准测量困难是另一个制约鲜味肽发展的问题。现有方法灵敏度和特异性不足,难以实现对鲜味的标准评价。本综述总结了鲜味受体和鲜味肽,重点探讨了制约鲜味肽发展的问题、高通量筛选以及评价标准的建立。基于分子对接技术和机器学习方法实现了鲜味肽的快速筛选,利用仿生味觉传感器可实现鲜味的标准评价。快速筛选和评价方法的进展极大地推动了鲜味肽的研究,并增加了其在调味行业的应用。
-
使用便携式近红外光谱仪与机器学习快速在线评估鹌鹑蛋新鲜度
查看原文2022
Food Control
中科院一区JCR一区Yasmin Lima Brasil, J.P. Cruz-Tirado, & Douglas Fernandes Barbin
食品标签
蛋类及其制品 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 偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据鹌鹑蛋是重要的天然营养素来源之一,富含蛋白质、抗氧化物质、钙、铁及磷等营养成分。然而,其品质检测方法不仅操作繁琐且需耗用化学试剂,目前尚无评估其新鲜度的标准方法。本研究旨在探究便携式近红外光谱仪结合机器学习算法,实现鹌鹑蛋新鲜度快速检测的可行性。鉴于当前缺乏统一的鹌鹑蛋品质分级标准,本研究选取哈夫单位(HU)、 蛋黄指数(YI)及鸡蛋品质指数(EQI)作为参考指标开展对比分析。研究分别采用偏最小二乘回归(PLSR)与支持向量机回归(SVMR)构建新鲜度预测模型,同时运用偏最小二乘判别分析(PLS-DA)与支持向量机分类(SVMC) 建立品质分类模型。本研究首次证实, 鸡蛋品质指数(EQI) 是表征鹌鹑蛋新鲜度的最优指标 —— 该指数基于蛋黄与蛋清的品质综合评定蛋品新鲜度。以蛋黄指数(YI)与鸡蛋品质指数(EQI)为参考指标时,支持向量机回归(SVMR)模型表现最优,剩余预测偏差(RPD)达 2.0~2.5,相对误差比值(RER)大于 10,表明模型具备良好的预测性能。偏最小二乘判别分析(PLS-DA)与支持向量机分类(SVMC)模型的分类性能相近,对样本的正确识别率均超过 80%。研究结果表明,便携式近红外光谱仪在鹌鹑蛋贮藏期间的新鲜度监测领域具有良好的应用潜力。
-
基于AI辅助电子舌的咖啡感官谱快速评估
查看原文2022
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Gianmarco Gabrieli, Michal Muszynski, Edouard Thomas, David Labbe & Patrick W. Ruch
食品标签
咖啡饮料 感官评价与方法学 其他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 质构/流变/感官数据本研究展示了一种基于低选择性聚合物传感器的微型电位电子舌在咖啡样品区分和感官表征中的应用。通过结合手工特征、预测因子重要性方法和训练的分类模型,该传感器阵列能够区分21种咖啡品种,平均准确率达91.3%。此外,通过利用降维技术学习描述词之间的相互依赖关系,支持单回归器的电子舌可成功训练以同时预测13种咖啡描述词的强度。采用严格的留一咖啡交叉验证,33个样品的感官谱得以重建,与感官数据的RV一致性系数为0.78。本研究强调了基于示例训练的数据驱动传感方法的优势,有助于在探索新配方时提高样品通量并加速产品设计周期。
-
面向自主热加工食品的物理数字孪生:高效、非侵入的降阶建模
查看原文2022
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Maximilian Kannapinn, Minh Khang Pham & Michael Schäfer
食品标签
传统热加工 过程控制与数字化 数值仿真计算机标签
机器学习/统计学习 定量预测/回归分析 模拟与数字孪生使热加工过程可控的一种可能方法是收集关于产品当前状态的实时信息。通常,传感设备无法轻易或完全捕获所有相关信息。数字孪生通过实时仿真中的虚拟探针来弥补这一差距,并与过程同步。本文提出了一个用于自主食品加工的基于物理、数据驱动的数字孪生框架。我们建议一种精简的数字孪生概念,可在设备级执行,需要最少的计算负载、数据存储和传感器数据需求。本研究侧重于用于训练热过程非侵入式降阶模型的简约实验设计。训练数据中表面温度的高标准差与降阶模型测试中的低均方根误差之间的相关性(R = -0.76)能够实现训练数据的高效选择。在代表性测试集上,最佳降阶模型的平均测试均方根误差小于1开尔文(0.2% 的平均绝对百分比误差)。高达约1.8 × 10⁴倍的仿真加速比允许在设备上进行模型预测控制。工业相关性:所提出的数字孪生框架旨在适用于工业领域。通常,当过程建模在软件中执行时(例如商业仿真软件),由于无法提供对求解器的根级访问,因此需要非侵入式降阶建模。降阶模型的数据驱动训练仅使用一个数据集即可实现,因为可以利用相关性先验地预测训练成功与否。