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 122 条结果
-
基于指示剂置换比色传感器阵列结合机器学习的六安瓜片茶采摘时期智能识别
查看原文2024
Food Research International
中科院一区JCR一区Yao Chen, Yuan Li, Li-Lin Lin, Yue Liao, Huan Fang & Tong Wang
食品标签
茶/茶饮料 品质、结构与理化性质 过程监测与在线检测 质构与流变测试 显微与成像技术 维生素 多酚与黄酮计算机标签
偏最小二乘法 随机森林 K-近邻 主成分分析/判别分析 卷积神经网络 其他深度学习结构 定量预测/回归分析 可见光/RGB/视频数据六安瓜片茶是中国名优绿茶,其品质与采摘时期密切相关,尤其是清明节前采摘的茶叶备受推崇。然而,快速准确区分不同采摘时期的茶叶具有挑战性。本研究开发了一种简单、低成本的指示剂置换比色传感器阵列结合智能手机成像的方法,用于快速识别不同采摘时期的六安瓜片茶。首先,通过高效液相色谱-二极管阵列检测器分析了清明节前后茶叶中多酚和氨基酸含量的差异。基于这些成分差异,合理设计了一个12通道的比色传感器阵列。通过智能手机捕获阵列响应,并使用多种机器学习模型(包括PLS-DA、PCA-LDA、K-NN、RF、1D-CNN和BP-ANN)处理产生的颜色差异数据。性能最佳的模型在二分类(清明节前 vs. 后)中预测准确率高达97%,在基于精确采摘日期的更详细的五分类中达到86.7%。该方法展现出高准确性、环境友好性(AGREE评分:0.88)和实用性,为茶叶行业快速质量评估与真伪鉴别提供了有前景的工具。
-
基于4-MPBA Au@AgNPs的比色传感器,用于准确识别恩氏玉鲁茶品级
查看原文2024
Food Chemistry
中科院一区JCR一区Yuting Guan, Siyu Wang, Guanghua Lei, Zikang Hu, Hengye Chen, Huiwen Gu, Xiaoli Yin, Yuanbin She, Wanjun Long, & Haiyan Fu
食品标签
茶/茶饮料 品质、结构与理化性质 传统统计分析与回归 其他植物化学物质计算机标签
偏最小二乘法 分类/鉴别/等级评定 可见光/RGB/视频数据恩石玉鲁绿茶(ESYL)是湖北恩石最具代表性的传统蒸绿茶。不同的ESYL等级展现出不同的风味、味道和价格。本研究开发了基于4-MPBA的视觉传感器Au@AgNPs,用于快速准确识别ESYL等级。识别机制涉及将4-MPBA Au@AgNPs与多酚化合物结合于ESYL中形成硼酸酯,并将Ag转化为Ag。+0,生成的Ag为0沉积在4-MPBA Au@AgNPs表面。结果显示,该传感器可以放大不同级别的ESYL色差。视觉结果还通过偏最小二乘判别分析模型验证,显示识别准确率从68.2%提升至95.5%。本研究开发的比色传感器有望为其他食品的可追溯性研究提供一种新方法。
-
人工智能在茶叶检测中的进展:策略、进步与未来展望
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Qilin Xu, Yifeng Zhou & Linlin Wu
食品标签
茶/茶饮料 品质、结构与理化性质 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 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据背景:茶叶是发展中国家的关键经济作物,对农村发展、减贫和粮食安全至关重要。茶叶消费因其抗炎和抗氧化特性而有益健康。实现从茶园到茶杯的茶价值链可持续发展是全人类的共同目标。人工智能算法与新兴技术相结合,可提高茶叶质量检测的效率和准确性,从而促进茶产业健康可持续发展。
范围与方法:本文综述了人工智能中常见的机器学习和深度学习算法,概述了它们的优势和局限性。重点介绍了在人工智能算法辅助下,应用传感器技术和光谱技术高效检测茶叶质量。最后,总结了人工智能算法在茶叶安全检测和分类方面的进展,并讨论了传感器技术、光谱技术以及人工智能在茶叶质量检测中面临的挑战与未来展望。
主要发现与结论:人工智能算法高效的模式识别能力及对新数据的快速适应性,推动了数据驱动的决策制定和技术发展的创新。尽管在人工智能辅助的传感器和光谱技术用于茶叶及食品质量安全检测方面已取得显著成就,但仍存在巨大的发展潜力。将人工智能与各种新兴技术相结合,能够为茶叶质量安全检测提供更全面、更深入的支持,从而保障公众健康与安全。 -
化学成像用于测定普洱茶渥堆发酵过程中品质成分的分布
查看原文2024
Food Control
中科院一区JCR一区Tiehan Li, Chengye Lu, Yuming Wei, Jixin Zhang, Aiju Shao, Luqing Li, Yujie Wang, & Jingming Ning
食品标签
茶/茶饮料 品质、结构与理化性质 其他加工技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 其他植物化学物质计算机标签
支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱渥堆发酵是普洱茶品质形成的关键工序;然而,传统渥堆发酵工艺制约了普洱茶的数字化、智能化生产。为构建普洱茶渥堆发酵程度的定性与定量预测模型,本研究采用高光谱成像技术结合化学计量学分析方法开展相关研究。基于最小二乘支持向量机所建立的定性模型,可实现对渥堆发酵程度的高效判别,判别准确率达 98.63%。此外,直接利用原始光谱数据对影响品质的关键组分 —— 总儿茶素、游离氨基酸及叶绿素 a 进行定量分析,所得预测残差分别为 11.26、4.34 和 3.89。本研究通过化学成像技术绘制出上述组分在渥堆发酵过程中的空间分布图谱,并确定:当模型预测的总儿茶素、游离氨基酸及叶绿素 a 含量分别低于 0.48、11.21 和 1.29 mg/g 时,即可判定渥堆发酵达到终点。研究结果为普洱茶的数字化加工提供了理论依据。
-
茯砖茶真菌发酵:基于化学计量学、可见近红外光谱与电子鼻技术的感官特性综合评价
查看原文2024
Food Research International
中科院一区JCR一区Yan Hu, Wei Chen, Mostafa Gouda, Huan Yao, Xinxin Zuo, Huahao Yu, Yuying Zhang, Lejia Ding, Fengle Zhu, Yuefei Wang, Xiaoli Li, Jihong Zhou & Yong He
食品标签
茶/茶饮料 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 定量预测/回归分析 时序传感器/物联网数据茯砖茶(FBT)的真菌发酵是形成其独特深色、香气和滋味的关键因素。因此,开发一种快速可靠的方法来评估茯砖茶在发酵过程中的品质至关重要。本研究重点结合电子鼻(e-nose)和光谱技术与感官评价、理化测定,构建了茯砖茶的机器学习(ML)模型。结果表明,融合数据在对茯砖茶发酵过程进行分类时达到了100%的准确率。SPA-MLR方法是预测茯砖茶品质的最佳模型(R2 = 0.95, RMSEP = 0.07, RPD = 4.23),并且发酵过程实现了可视化。该方法能有效检测出发酵程度与品质特征之间的关系。总之,本研究的创新之处在于建立了一种基于光谱、电子鼻和机器学习技术集成的实时方法,能够灵敏地检测茯砖茶后发酵特有的品质组分。