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 130 条结果
-
利用化学计量学分析GC-MS指纹图谱对伊朗红茶的挥发性成分进行全面表征
查看原文2024
Food Chemistry: X
中科院一区JCR一区Adineh Aminianfar, Mohammad Hossein Fatemi & Fatemeh Azimi
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
智能手机/其他 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 组学数据红茶是一种广受欢迎的非酒精饮料,以其独特的香气闻名,且因其复杂的成分受到了广泛关注。然而,伊朗红茶的化学组成仍在很大程度上未被探索。在这项研究中,首先采用顶空固相微萃取结合气相色谱-质谱联用(HS-SPME-GC-MS)技术,对来自伊朗北部四个地理区域主要产茶区的红茶样品进行了分析,以分离、鉴定和定量其挥发性有机化合物。随后,我们运用一种可靠的研究策略,首次将著名的多元曲线分辨率-交替最小二乘(MCR-ALS)方法作为解卷积技术,来分析红茶样品复杂的GC-MS峰簇。这种方法有效解决了严重的基线漂移、峰重叠和背景噪声等问题,能够识别出导致不同样品具有独特风味和口感的微量成分。MCR-ALS技术显著提高了光谱和洗脱图谱的分辨率,实现了对茶叶成分的定性和半定量分析。定性分析包括将解析出的峰图谱与理论光谱以及保留指数进行比较,而半定量分析则采用整体体积积分(OVI)方法对挥发性化合物进行分析,使峰面积与浓度之间的相关性更准确。在GC-MS分析中应用化学计量学工具后,四个红茶样品中已识别出的成分数量从54种增加到256种,且所有成分的浓度均超过0.1%。其中,32种挥发性化合物在每个红茶样品中都存在。烃类(包括烯烃、烷烃、环烷烃、单萜和倍半萜)、酯类和醇类是三大主要化学类别,占挥发性化合物总相对含量的78%。对四个不同地区的红茶进行分析后发现,它们不仅在挥发性成分上存在差异,在相对比例上也有所不同。这种综合方法全面揭示了伊朗红茶的挥发性化学组成,增进了对不同地理来源的伊朗红茶独特特性的了解,并为其品质提升奠定了基础。
-
使用近红外光谱结合广义学习系统和混合波长选择策略测定枇杷的可溶性固形物含量
查看原文2024
LWT
中科院一区JCR一区Peng Li, Qingting Jin, Huaming Liu, Liguo Han, Chuanzong Li, & Yizhi Luo
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据可溶性固形物含量(SSC)是评估枇杷品质的重要指标。为了实现SSC的快速、无损和准确检测,本研究开发了近红外(NIR)光谱与广义学习系统(BLS)模型的结合方法。同时,探讨了六种光谱预处理方法和六种波长选择算法对SSC预测的影响,并将BLS模型的性能与广泛使用的偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)模型进行了比较。结果表明,结合标准正态变换(SG-SNV)的Savitzky-Golay平滑提供了最佳预处理方法,而混合方法,即区间变量迭代空间收缩分析和连续投影算法(iVISSA-SPA),成为最有效的波长选择方法。BLS模型优于PLSR和LS-SVM模型。具体而言,基于iVISSA-SPA方法的BLS模型实现了最佳的SSC预测结果,R²P = 0.8646,RMSEP = 0.5104,RPD = 2.7481。因此,近红外光谱结合BLS模型和混合波长选择策略能够快速、无损且准确地检测枇杷的SSC,为果实SSC预测提供了可行的替代方案。
-
基于FT-NIR光谱与GC-MS结合化学计量学快速鉴别与量化紫苏叶化学型
查看原文2024
Food Chemistry: X
中科院一区JCR一区Dai-xin Yu, Cheng Qu, Jia-yi Xu, Jia-yu Lu, Di-di Wu & Qi-nan Wu
食品标签
其他果蔬制品/植物类 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 随机森林 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 红外/拉曼光谱数据 组学数据紫苏叶(PF)是一种著名的药食同源植物,含有不同的化学型,这些化学型会影响其品质。本文提出了一种利用气相色谱-质谱联用(GC-MS)和傅里叶变换近红外光谱(FT-NIR)对紫苏叶化学型进行分类和定量的方法。GC-MS结果显示,紫苏叶含有多种化学型,包括紫苏酮(PK)型、α-细辛醚(PP-as)型和莳萝油脑(PP-dm)型,其中紫苏酮型是主要表型。基于FT-NIR数据,可对不同化学型进行准确分类。随机森林算法在表型分类中的准确率达到90%以上。此外,采用偏最小二乘回归模型成功对紫苏叶中的主要成分紫苏酮和异胡薄荷酮进行了定量分析,预测偏差值分别为3.76和2.59。该方法为紫苏叶及其他食品的质量监管提供了有价值的见解和参考。
-
基于机器学习的光谱食品掺假检测:当前挑战与未来展望
查看原文2024
Trends in Food Science & Technology
中科院一区JCR一区Rishabh Goyal, Poonam Singha & Sushil Kumar Singh
食品标签
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 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据背景:食品掺假已成为食品行业面临的重大挑战,影响着消费者的健康和市场信任。利用机器学习,特别是深度学习与光谱方法,已经彻底改变了食品掺假检测方式,使得开发更为复杂和自动化的解决方案成为可能。
范围与方法:本综述旨在全面概述基于机器学习的光谱技术在检测食品掺假方面的挑战与机遇,探讨了食品行业中常用的各种光谱技术,如红外光谱、拉曼光谱、核磁共振光谱、荧光光谱、多光谱成像和高光谱成像。文章讨论了数据预处理、特征工程、模型复杂性、可解释性及其性能,以及对大规模多样化数据集的需求。
主要发现与结论:要开发一个采用机器学习的商业化光谱掺假检测系统,不仅需要优化模型,还需要优化数据集大小、预处理方法的组合、特征选择与提取方法、模型选择、通过验证调整的超参数以及性能标准。此外,新的机器学习算法正在迅速发展,但利用光谱技术创建专门的掺假检测模型仍然是一个研究领域。 -
一种基于扩散映射和机器学习的蔬菜水果分类新方法
查看原文2024
Current Research in Food Science
中科院一区JCR一区Wenbo Wang, Aimin Zhu, Hongjiang Wei & Lijuan Yu
食品标签
新鲜水果 新鲜蔬菜 显微与成像技术计算机标签
机器学习/统计学习 智能手机/其他 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据果蔬分类有助于农产品流通的各个环节更好地开展库存管理、物流规划和供应链协调,提高供应链的效率和响应速度。然而,目前的果蔬分类主要依靠人工分类,这不可避免地会引入人为主观因素的影响,导致果蔬分类出现错误和误判。针对这一突出问题,本研究提出了一种高效且可复现的新型模型,利用手工特征对多种果蔬进行分类。在该模型中,对果蔬图片进行高斯滤波、灰度化和二值化等预处理操作,以提升图片质量;从预处理后的图像中提取代表果蔬类别的统计纹理特征、小波变换特征和形状特征;采用扩散映射这一特征降维方法,对由统计纹理特征、小波变换特征和形状特征构成的组合特征的冗余信息进行降维处理;运用五种有效的机器学习方法对果蔬种类进行分类。在本研究中,通过实验对所提方法进行了严格验证,结果表明支持向量机(SVM)分类器的果蔬分类准确率达到96.25%,这证明所提方法有助于提高果蔬的质量和管理水平,为农业生产和供应链提供有力支持。