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
-
基于傅里叶变换近红外光谱结合轻量梯度提升机技术快速鉴定海参地理来源
查看原文2021
Food Control
中科院一区JCR一区Yong Sun, Nan Liu, Xuming Kang, Yanfang Zhao, Rong Cao, Jinsong Ning, Haiyan Ding, Xiaofeng Sheng, & Deqing Zhou
食品标签
软体与贝类 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 红外/拉曼光谱数据仿刺参(Apostichopus japonicus)的产地是影响其经济价值的关键因素。为实现仿刺参产地的快速有效鉴别,本研究采用傅里叶变换近红外光谱技术(FT-NIR),结合随机森林(RF)、梯度提升决策树(GBDT)、轻量级梯度提升机(LightGBM)三种机器学习算法构建鉴别模型,并对模型性能进行对比分析。结果表明,经优化的样本抽样方法与光谱预处理技术处理后,轻量级梯度提升机(LightGBM)模型的综合性能最优:模型训练过程中的多分类对数损失值最低可降至 0.36;在测试集验证中,该模型的准确率、精确率、召回率、F1 分数及受试者工作特征曲线下面积(AUC)分别达到 0.91、0.92、0.91、0.91 和 0.98。上述指标证实,所构建的 LightGBM 模型具备良好的稳健性与较强的泛化能力。研究结论表明,近红外光谱技术结合轻量级梯度提升机算法,可作为仿刺参产地溯源的快速有效技术手段。
-
色谱指纹策略用于描绘与咖啡气味和味觉属性相关的化学模式
查看原文2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区D. Bressanello, A. Marengo, C. Cordero, G. Strocchi, P. Rubiolo, G. Pellegrino, M. R. Ruosi, C. Bicchi, & E. Liberto
食品标签
咖啡饮料 特征风味 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质计算机标签
机器学习/统计学习 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据咖啡杯测同时涉及香气和味觉,其评价需综合多个不同属性来定义风味质量,因此需要来自香气和味觉的互补数据。本研究考察数据驱动方法利用常规质量控制实验室通常可获得的互补分析技术描述咖啡感官质量的潜力与局限。研究对 155 个咖啡样品进行分析,分别通过顶空固相微萃取-气相色谱-质谱获得挥发性组分数据,通过液相色谱-紫外/二极管阵列检测获得非挥发性组分数据,并采集感官数据。研究使用化学计量学工具探索数据集、选择相关特征、预测感官评分并研究特征之间的网络关系。Q 模型参数和预测均方根误差比较显示,非挥发性组分对预测的影响因属性而异,其对酸味、苦味和木质调的描述影响高于花香和果香。数据融合强调香气对驱动感官感知的重要贡献,但挥发性和非挥发性数据揭示的相关网络仍需进一步研究,以验证气味-味觉整合的潜力。
-
利用人工智能从科学文献和媒体报道中检测未知兴奋剂
查看原文2021
Food Control
中科院一区JCR一区Anand K. Gavai, Yamine Bouzembrak, Leonieke M. van den Bulk, Ningjing Liu, Lennert F.D. van Overbeeke, Lukas J. van den Heuvel, Hans Mol, & Hans J.P. Marvin
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 分类/鉴别/等级评定 文本/知识库/法规数据全球膳食补充剂市场规模庞大,其发展主要得益于这类产品宣称具备的各类功效,例如减肥塑身、提升注意力与警觉性、抑制食欲、减少睡眠需求以及改善冲动行为等。但膳食补充剂中非法添加化合物的问题,始终是一项潜在威胁 —— 究其原因,这些化合物及相关产品并未经过主管部门的安全性检测。因此,对主管部门而言,及时掌握新产品的上市动态,并就潜在健康风险向消费者发出警示,这两项工作至关重要。本研究提出一种基于机器学习的检测方法,可用于识别膳食补充剂中的新型未知兴奋剂。研究通过两种不同数据源筛选出 20 种新型兴奋剂:其一,对超过 200 万篇学术文献摘要开展词嵌入分析;其二,借助文本挖掘技术,对互联网中的各类正规媒体及社交媒体文章进行数据提取。研究结果表明,该方法可有效应用于主管部门的新兴风险识别工作,助力解决当前风险排查过程中面临的核心难题 ——未知风险物质的检测识别。
-
用于分析高光谱图像以确定食品质量的机器学习技术:综述
查看原文2021
Current Research in Food Science
中科院一区JCR一区Dhritiman Saha & Annamalai Manickavasagan
食品标签
品质、结构与理化性质 食品安全与风险评估 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 深度学习 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 高光谱/多光谱光谱多年来,无损检测技术在食品质量监测中变得愈发重要。高光谱成像便是一种重要的无损质量检测技术,它能同时提供空间和光谱信息。机器学习技术的进步实现了快速分析且具有更高的分类准确率,这提升了该技术在食品领域应用的潜力。本文概述了不同机器学习技术在高光谱图像分析中用于食品质量测定的应用情况,涵盖了高光谱成像的基本原理,以及每种机器学习技术的优势和局限性。这些机器学习技术能够对食品的高光谱图像进行快速且高精度的分析,从而构建出稳健的分类或回归模型。从高光谱数据中筛选出有效的波长至关重要,因为这能大幅降低计算负荷和时间,进而扩大实时应用的范围。由于深度学习具有特征学习的特性,它是实时应用中最具前景且最强大的技术之一。然而,深度学习领域相对较新,其充分利用仍需进一步研究。同样,终身机器学习为高光谱成像的实时应用开辟了道路,但在纳入食品质量的季节性变化方面还需深入研究。此外,本文还探讨了机器学习技术在高光谱图像分析中存在的研究空白及未来前景。
-
机器学习工作流用于预测裹糊油炸体系中米粉的吸油量
查看原文2021
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Sungmin Jeong, Jieun Kwak & Suyong Lee
食品标签
大米 传统热加工 理化与结构表征 脂质与脂肪酸计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据本研究应用机器学习算法,根据油炸前米粉的理化特性(直链淀粉含量、糊化参数和面糊黏度),预测裹糊油炸食品中米粉的吸油量。米粉油炸面糊的吸油量与其他理化参数之间的Pearson相关系数较低(0.29-0.61)。通过regsubsets函数的穷举搜索方法,选取了四个实验特征(直链淀粉含量、峰值时间、峰值温度和最终黏度)作为影响油炸后米糊吸油量的最佳子集,并应用于两种机器学习算法——多元线性回归和多层感知器神经网络。基于K折交叉验证,实验结果被分为5个数据集,每个数据集包含80%的训练数据和20%的测试数据。与多元线性回归(R² = 0.6204-0.7219)相比,多层感知器模型的迭代应用对米粉油炸面糊吸油量的预测相对更高(R² = 0.7388-0.7781)。因此,带有隐藏层的多层感知器模型表现出更高的R²和更低的相对误差,其性能优于多元线性回归。