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 108 条结果
-
可解释的多机器学习模型用于鸡胸木质化评分:整合理化分析和基于SHAP的特征重要性
查看原文2025
LWT
中科院一区JCR一区Hui Lu, Laixue Ni, Xiangli Chen, Xiaodong Zhu, Cong Yao, Lin An, Yunguo Liu, & Dacheng Kang
食品标签
禽肉 质构与流变性质 颜色与外观品质 常规理化指标测定 质构与流变测试计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 模型可解释性 分类/鉴别/等级评定 时序传感器/物联网数据 质构/流变/感官数据关于家禽业中鸡胸肉木质胸问题,本研究通过多指标分析系统评估了不同程度木质胸的质量差异。评估涵盖了pH值、颜色特性、保水性、质地特征以及电子鼻数据等参数。此外,提出了一种结合机器学习模型的协作策略,以构建有效的分类模型。选取了科宝白羽肉鸡的胸肉样本,并根据触感和视觉标准分为四组:正常胸肉(NB)、轻度木质胸(LWB)、中度木质胸(MWB)和重度木质胸(SWB)。质量指标随木质胸程度而变化(P < 0.05)。在众多机器学习模型中,BP-ANN 模型表现出最高的性能,其分类准确率为 95.83%,优于 SVM(91.67%)和 PLS-DA(87.50%)模型。通过基于 Shapley 加法解释(SHAP)的可解释性分析,在 SWB 组中,黏性和嚼劲成为主要因素,这与肌原纤维致密化和结构重组导致的加工性能下降相关。本研究的重点是开发鸡木胸快速检测与分级技术,为其快速识别和质量控制提供理论基础和技术支持。
-
基于可解释机器学习的库尔勒香梨脆度评价:高采样率下的仪器化力学-声学同步测定
查看原文2025
Current Research in Food Science
中科院一区JCR一区Xiaoming Mo, Jiaping Wang, Youfang Yu, He Li, Mingcan Zhai, Wancheng Dong, Zhihua Zha & Jie Wu
食品标签
新鲜水果 质构与流变性质 质构与流变测试 其他理化与结构表征计算机标签
梯度提升决策树 模型可解释性 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据脆度是果实质地评价的关键指标,它与果实的新鲜度和消费者偏好直接相关。在本研究中,一种新的仪器方法被应用于以51200 Hz的高采样率同步采集“易产生噪声”的库尔勒香梨在穿刺过程中的力学-声学信号。将力学-声学的锯齿状分析谱在数据层面进行融合,以模拟人类的感知行为。从融合信号中提取了3类共26个特征,用于建立4种机器学习模型。在这4种模型中,极端梯度提升(XGBoost)模型在脆度预测方面表现出了优越的性能。此外,还采用沙普利可加解释(SHAP)分析对XGBoost模型进行了解释。随后,选取了14个具有正向影响结果的特征来改进模型。该可解释模型的RP²值达到0.92,RMSEP为0.32,RPD为3.66,具有更高的准确性、稳定性和可靠性。因此,采用高采样率同步采集、数据层面融合策略以及正向特征选择能够显著提升梨的脆度预测性能。我们提出的方法可应用于其他果蔬的仪器化脆度测量。
-
基于微生物组特征和有监督机器学习对真空包装牛肉胀袋的预测
查看原文2025
International Journal of Food Microbiology
中科院一区JCR一区Frederico Schmitt Kremer, Rafaela Da Silva Rodrigues, Wellington Pine Omori, Rafael Rodrigues De Oliveira, Gabriel Alves Silva De Oliveira & Luís Augusto Nero
食品标签
畜肉 微生物安全 包装设计与机械性能 微生物组/宏基因组学计算机标签
随机森林 梯度提升决策树 模型可解释性 分类/鉴别/等级评定 组学数据 小规模数据集真空包装牛肉产品的保鲜对于维持货架期至关重要。然而,胀袋现象的发生——其特征是由于腐败微生物产生气体导致包装膨胀——仍然是一个难题。在本研究中,我们证明了利用下一代测序(NGS)和机器学习进行的微生物组分析可能有助于对真空包装牛肉的腐败和胀袋现象进行分析、建模和预测。牛肉样本(n = 10)经过真空包装后,分别储存在4°C和15°C条件下,并在0小时、7天、14天、21天和28天时基于NGS对其微生物群落进行监测。我们的分析能够根据牛肉初始微生物组信息和储存条件预测胀袋现象,确定与腐败相关的不同细菌属和温度之间的关系(这与差异丰度分析结果一致),并评估温度与胀袋现象之间的关系。通过SHAP(沙普利可加解释)对XGBoost模型进行解释,我们发现当考虑第0天的微生物组数据时,温度是胀袋预测中影响最大的因素。此外,基于OTU斯皮尔曼相关性和线性回归(按时间计算)对随机森林和XGBoost模型进行的SHAP分析显示,消化链球菌属(Peptoniphilus)是最重要的细菌属,其次是哈夫尼菌属(Hafnia)和消化链球菌属(Peptostreptococcus)。进一步的研究可能会将这些方法扩展到其他肉类、不同部位的肉以及更多储存条件下,从而更好地模拟与胀袋现象相关的微生物组动态变化。
-
肉类科学与可解释人工智能的协同:量化脆度梯度以认证罗非鱼片加工的质量认证
查看原文2025
Food Chemistry
中科院一区JCR一区Shuqi Tang, Ling Zhang, Xingguo Tian, Mangni Zheng, Hu Zhang & Nan Zhong
食品标签
鱼肉 品质、结构与理化性质 质构与流变测试 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据脆罗非鱼因其独特的口感和高市场需求,已成为受欢迎的水生产品。然而,不同酥脆阶段的菲力在营养价值和口感上差异显著,直接影响产品质量和消费者体验。因此,快速准确识别罗非鱼片的脆度对农民、商人和消费者来说至关重要。高光谱成像(HSI)技术已成为食品质量检测中的强大工具,提供了丰富的光谱信息,可用于详细分析。本研究提出结合HSI和双支卷积神经网络(DB-CNN)的方法,用于分类不同清晰度阶段的罗非鱼鱼片。通过分别处理VNIR和SWIR数据并在特征空间中融合,DB-CNN实现了95.74%的分类准确率,优于传统聚变方法。Grad-CAM++可视化验证了模型对关键光谱特征的识别。该方法为酥脆罗非鱼片的真伪鉴定和质量控制提供了有效解决方案,展示了其在食品和水产品分类中更广泛应用的潜力。
-
食品标签
特征风味 理化与结构表征计算机标签
图神经网络 模型可解释性 分类/鉴别/等级评定 知识抽取与语义理解 组学数据 文本/知识库/法规数据理解分子结构与气味感知之间的关系,对于香料配方、食品开发和药物设计等应用至关重要。传统方法通常依赖感官评估或专家设计的分子特征,这些方法既耗费人力,又缺乏可扩展性。在本研究中,我们开发了一种多任务学习模型,能够从化学结构中同时预测多种气味类别,旨在捕捉相关气味之间的共享表征。该模型采用基于图神经网络的架构(kMoL),在涵盖14种气味类别的实验数据上进行训练,其准确性和稳定性均优于传统的单任务模型和随机森林。标签共现分析表明,化合物通常具有多种气味特征,且在多任务设置中,标签重叠程度越高,模型性能越好。使用UMAP和t-SNE进行的化学结构可视化显示,不同气味类型之间没有明显的聚类现象,这表明各类别的预测难度较为均衡。为了提高模型的可解释性,我们应用集成梯度法来识别原子层面的贡献,结果与已知的、与嗅觉受体相互作用相关的亚结构(包括氢键供体和芳香环)相符。值得注意的是,对于麦芽酚等具有甜味的化合物,我们的模型所突出显示的区域与受体-配体对接研究中确定的作用位点一致。这些发现表明,该多任务模型不仅具有优异的预测性能,还能捕捉到与化学和生物学相关的特征。这种方法有助于从机制上理解结构与气味之间的关系,并为合理的嗅觉设计提供了一个可扩展、可解释的框架。