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
-
用于解码气味剂结构-咸味增强与香气感知机制的计算方法:从机器学习到分子模拟
查看原文2025
Food Research International
中科院一区JCR一区Huizhuo Ji, Dandan Pu, Lijun Su, Qingchuan Zhang, Wenjing Yan, Jianlei Kong, Min Zuo & Yuyu Zhang
食品标签
特征风味 其他统计建模方法计算机标签
梯度提升决策树 模型可解释性 定量预测/回归分析 时序传感器/物联网数据结构-咸味增强之间的关系尚不明确,限制了风味气味剂的发展和应用。本研究通过机器学习、分子对接和定点突变模拟,研究了风味气味剂的结构特征与咸味增强感知(SEP)的机制。基于结构的XGBoost模型(R2 = 0.96)对气味剂的最大咸味增强能力表现出更好的预测性能。利用Shapley加性解释(SHAP)分析了气味剂中对SEP有贡献的重要特征。结果表明,苯基和醛基对SEP有显著的积极贡献,其SHAP值分别为+2.94和+0.74。分子对接和定点突变模拟阐明了风味气味剂与嗅觉受体之间的相互作用区域、作用力和关键位点。结果显示,TM3、TM5和TM6是风味气味剂优先与OR1A1和OR1D2结合的主要相互作用区域,从而产生特征香气。氢键和疏水相互作用是关键的驱动力。OR1A1的Phe203、Asn109和Asn155是参与和风味气味剂相互作用的部分重要残基。这些发现为风味气味剂提供了一种快速筛选方法,并揭示了其SEP机制,为在食品工业中应用气味诱导减盐提供了理论指导。
-
机器学习结合GC-FID用于鉴别不同类别酱香型白酒
查看原文2025
Food Chemistry: X
中科院一区JCR一区Liang Yang, Chun Xian, Shuai Li, Ye Wang, Xinying Wu, Qingcai Chen, Wenwu Zhao, Cheng Zhao, Xiaobo Li, Junjun He, Renyuan Chen & Chunlin Zhang
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
随机森林 梯度提升决策树 智能手机/其他 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据酱香型白酒是一种通过固态发酵生产的中国传统酒类,由于发酵轮次、风格和等级的不同,其基酒类型多种多样。虽然人工识别方法对风味的复杂性至关重要,但当前的人工识别方法阻碍了勾调效率和质量控制。本研究采用气相色谱-氢火焰离子化检测器(GC-FID)和机器学习对410份基酒样品进行了分析。结果显示,决策树(74.36%)、极端梯度提升(XGBoost,92.9%)和随机森林(62.3%)分别是用于发酵轮次、典型风格和春天等级分类的最佳分类器。SHAP分析揭示:(1)酯类是发酵轮次的主要标志物;(2)酯类与三甲基丁醇的组合可用于等级区分;(3)多种化合物特征(丁酸、四甲基吡嗪、2-丁醇等)可用于风格鉴别。值得注意的是,标志物化合物的风味特性——而非仅仅是浓度——对其鉴别能力有重要影响,这一点从与九个感官维度的相关性中得到了证明。
-
面向通用化的食物源识别:一种采用稳定同位素和元素标记分析进行大米鉴别的可解释深度学习方法
查看原文2024
Food Research International
中科院一区JCR一区Yinghao Chu, Jiajie Wu, Zhi Yan, Zizhou Zhao, Dunming Xu & Hao Wu
食品标签
大米 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
深度学习 支持向量机 智能手机/其他 模型可解释性 分类/鉴别/等级评定 中等规模数据集针对数据驱动方法在食品产地溯源中面临的泛化问题,尤其是在遇到不同输入变量集(例如元素含量(C, N, S)、稳定同位素(C, N, S, H, O)以及在不同实验室条件下测量的43种元素)时,我们引入了一种创新的、多功能且基于深度学习的框架,该框架融合了可解释分析,能够通过学习到的神经元权重来确定特征重要性。我们提出的框架,使用来自四个亚洲国家的三个大米样本批次(总计354个实例)进行了验证,表现出高达97%的卓越识别准确率,超越了决策树和支持向量机等传统参考方法。该适应性方法体系可容纳各种溯源指标的组合,促进了无缝复制和广泛适用性。这一突破性解决方案有效解决了因不同数据批次间变量集不同而产生的泛化挑战,为在实际应用中增强食品产地溯源能力铺平了道路。
-
HSI和NMR技术结合深度学习,识别Lycium barbarum L.的地理来源和GI标志物
查看原文2024
Food Chemistry
中科院一区JCR一区Chengcheng He, Xin Shi, Haifeng Lin, Quanquan Li, Feng Xia, Guiping Shen, & Jianghua Feng
食品标签
发酵食品及酱腌制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱枸杞(学名:Lycium barbarum L.)因其营养和药用价值而闻名于全球。准确快速地识别枸杞的产地至关重要,因为其营养成分、药效和市场价格会因地区而异。本研究提出了一种结合高光谱成像(HSI)、核磁共振(NMR)以及改进的 ResNet-34 深度学习模型的方法,以准确识别枸杞的产地和地理标志(GI)标记。该深度学习模型的准确率达到了 95.63%,比传统方法高出 6.26%,并且通过基于 SHapley Additive exPlanations(SHAP)的特征选择减少了 29.9%的运行时间。GI 标记与 HSI 特征波长之间的皮尔逊相关性分析提高了 HSI 数据的可解释性,并进一步通过减少 33.99%的运行时间来降低计算量。这项工作为便携式多光谱设备奠定了基础,为枸杞产品的质量保证和市场监管提供了一种快速、准确且经济有效的解决方案。
-
利用Vis-NIR光谱结合Grad-CAM方法,在多个梨树(Pyrus pyrifolia Nakai)品种中无损检测SSC的方法
查看原文2024
Food Chemistry
中科院一区JCR一区Xin Xu, Yanyu Chen, Hao Yin, Xiaochan Wang, & Xiaolei Zhang
食品标签
发酵食品及酱腌制品 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 支持向量机 卷积神经网络 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据可见近红外光谱结合化学模型常用于梨水溶解固体含量(SSC)预测。然而,模型的稳健性受到梨品种差异的挑战。本研究探讨了开发通用模型以预测多种梨类SSC的可行性,以提高模型的普遍性。利用6个果皮绿色的梨树梨叶松花属Nakai,类名“Cuiyu”、“Sucui No.1”和“Cuiguan”)和棕色果皮(PyrifoliaNakai cv. 'Hosui', 'Syusui' 和 'Wakahikari')被用于利用卷积神经网络(CNN)、偏最小二乘(PLS)和支持向量回归(SVR)方法建立单一栽培品种模型和多栽培品种普遍模型。采用全谱和通过梯度加权类别激活映射(Grad-CAM)提取的重要变量,构建了多栽培品种通用模型。基于重要变量的通用模型分别在6个品种上取得了满意的RMSEP(质量指数)为0.76、0.59、0.80、1.64、0.98和1.03°Brix。