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
-
冷链断裂检测与分析:机器学习能提供帮助吗?
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区Julie Loisel, Steven Duret, Antoine Cornuejols, Dominique Cagnon, Margot Tardet, Evelyne Derens-Bertheau & Onrawee Laguerre
食品标签
食品安全与风险评估 包装与智能监测 冷藏与冷冻保藏 过程监测与在线检测计算机标签
机器学习/统计学习 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 时序传感器/物联网数据背景:冷链断裂对食品的影响已有大量文献佐证,涉及健康、环境与经济多重关键问题。物联网(IoT)的普及虽可实现更严格的实时温度监测,却也给所生成数据的处理带来了新难题。
研究范围与方法:本文梳理并探讨了冷链断裂检测的各类定义与现存挑战,介绍了应用于冷链场景的机器学习算法,以此凸显该类数据存在的各类问题。同时,相关研究明确了可用于训练学习模型的多种数据来源。
核心研究发现与结论:冷链领域产生的实验数据与数值数据具备极高潜力,可用于训练机器学习模型。据现有文献所知,尽管机器学习算法已被用于温度预测,但尚未应用于冷链断裂识别。不过,当前已有多种成熟方法能够检测时序数据中的异常值。依托此类数据开展模型学习将带来实质性突破:一方面能够更充分地掌握冷链断裂的各类特征,另一方面可及时向操作人员发出预警。 -
基于X射线CT与机器学习的梨果实内部质量无损检测研究
查看原文2020
Food Control
中科院一区JCR一区Tim Van De Looverbosch, Md. Hafizur Rahman Bhuiyan, Pieter Verboven, Manuel Dierick, Denis Van Loo, Jan De Beenbouwer, Jan Sijbers & Bart Nicolaï
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 缺陷/异物检测与定位 可见光/RGB/视频数据为维持鲜梨采后品质、实现全年优质果品供应,生产中常采用可控供应链与长期贮藏技术。但在贮藏期间,若贮藏条件欠佳,果实易发生内部生理失调病变,且这类病害通常无外部表观症状,现有商用品质分级系统无法对其进行可靠、无损的检测。本研究提出将特征提取算法、支持向量机与 X 射线计算机断层扫描(X-ray CT)相结合,成功实现对康伦斯(Conference)与赛普纳(Cepuna) 梨品种内部病变的无损检测。依据品种与所用特征数量的不同,分类模型对病果与健康果的区分准确率为 90.2%~95.1%;同时模型取得较低的假阳性率与假阴性率,分别介于 0.0%~6.7% 和 5.7%~13.3%。基于康伦斯梨数据训练的分类模型可有效迁移应用于赛普纳梨,表明该方法对其他梨品种同样具备泛化能力。随着软硬件技术持续发展,检测速度不断提升、设备成本逐步降低,该方法可落地应用于工业场景,例如在线平移式 X 射线 CT 检测线。
-
理解与调控食品蛋白质结构与功能:来自实验与计算机模拟的视角
查看原文2020
Annual Review of Food Science and Technology
中科院一区JCR一区Fernando Luís Barroso da Silva, Paolo Carloni, David Cheung, Grazia Cottone, Serena Donnini, E. Allen Foegeding, Muhammad Gulzar, Jean Christophe Jacquier, Vladimir Lobaskin, Donal MacKernan, Zeynab Mohammad Hosseini Naveh, Ravi Radhakrishnan & Erik E. Santiso
食品标签
蛋白质与氨基酸 品质、结构与理化性质 感官科学与消费者研究 过程控制与数字化 理化与结构表征计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化 知识抽取与语义理解 合成/仿真数据为主蛋白质的结构和相互作用在决定许多食品、饮料和药品的质量属性方面起着关键作用。融入对蛋白质结构与功能关系的多尺度理解,能够让人更深入地洞察并更好地控制相关的作用过程。通过机器学习整合来自实验测量、人类感官小组和计算机模拟的数据,有助于构建将蛋白质的纳米级特性与食品的物理化学性质、生理效果及口味联系起来的统计模型。本综述重点介绍了几个在分子、介观和多尺度层面进行的高级计算机模拟案例,这些案例揭示了食品中各种作用的机制,从而为对其进行控制提供了便利。此外,本综述还为那些刚接触计算机模拟建模的人提供了一个实用的模拟工具箱。
-
基于超声波测量与机器学习技术的管道内食品污垢清洗监测研究
查看原文2020
Food Control
中科院一区JCR一区J. Escrig, E. Woolley, A. Simeone & N.J. Watson
食品标签
清洗/CIP/卫生相关设备 过程监测与在线检测计算机标签
机器学习/统计学习 过程控制与实时优化 时序传感器/物联网数据食品饮料生产设备需定期清洗,以维持卫生状态并保障设备在最优工况下运行。现有清洗系统的一大缺陷是无法判定污垢是否已完全清除,因此几乎总会出现过度清洗的情况,由此产生高昂的经济成本与环境代价。本研究探究了采用超声检测技术结合多种机器学习分类方法,对塑料与金属圆柱形管道内食品类污垢的清除过程进行实时监测。实验结果表明,所构建的检测技术可对污垢存在状态进行预测,针对塑料管道与金属管道的预测置信度均最高可达 100%。该传感技术在塑料管道中的表现略优,而研究所用各类机器学习方法的检测性能相近。本研究证实,低成本超声传感器具备监测管道清洗过程、进而实现清洗工艺优化的应用潜力。文中同时探讨,若要在实际生产环境中有效应用该类技术,还需研发新的数据集标注策略。
-
使用Vis-NIR和拉曼光谱数据融合结合化学计量学模型评估婴幼儿配方奶粉的储存温度和时间
查看原文2020
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Xiao Wang, Carlos Esquerre, Gerard Downey, Lisa Henihan, Donal O'Callaghan & Colm O'Donnell
食品标签
乳粉 货架期预测与品质劣变动力学 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 红外/拉曼光谱数据本研究评估了利用可见-近红外和拉曼光谱数据融合,结合基于大型商业婴幼儿配方奶粉样本数据集构建的偏最小二乘法和支持向量机化学计量学模型,来区分不同储存温度和预测储存时间的潜力。研究比较了三种基于区间的PLS变量选择方法和SVM递归特征消除方法用于模型开发。最佳的储存温度判别模型是使用SVM分类和Vis-NIR全光谱数据建立的。采用中层次数据融合构建的SVM回归模型,对在两个温度下储存的样本均获得了最低的预测误差。工业相关性:包括Vis-NIR和拉曼光谱在内的光谱技术已广泛应用于过程分析,并越来越多地用于化工、食品加工、农业和制药等领域的在线过程监控。由于其测量快速且几乎无需样品前处理,它们非常适合于在线过程监控。本研究表明,Vis-NIR和拉曼过程分析工具,无论是单独使用还是结合使用,都可用于婴幼儿配方奶粉生产的质量评估和过程控制。