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
-
基于矿物元素分析的可解释机器学习用于预测中国牡蛎的地理起源
查看原文2024
Current Research in Food Science
中科院一区JCR一区Xuming Kang, Yanfang Zhao, Lin Yao & Zhijun Tan
食品标签
软体与贝类 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 矿物质与微量元素计算机标签
梯度提升决策树 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据地理来源的可追溯性对于保障牡蛎的质量、安全以及保护牡蛎品牌至关重要。然而,当前的追溯结果缺乏可信度,因为它们未能充分解释模型的预测。因此,我们开展了一项研究,旨在评估将可解释机器学习与矿物元素分析相结合的有效性。研究结果显示,18种元素能够确定地域定位。同时,由于牡蛎中所含的必需元素和有毒元素存在地域差异,人们应更加关注食用牡蛎可能带来的潜在风险。轻量级梯度提升机(LightGBM)模型表现出色,其准确率、精确率、召回率、F1分数和AUC分别达到96.77%、96.43%、98.53%、97.32%和0.998,均十分优异。我们采用SHapley加法解释(SHAP)方法对LightGBM模型的输出进行评估,发现不同省份的牡蛎在特征相互作用方面存在差异。具体而言,钠(Na)、锌(Zn)、钒(V)、镁(Mg)和钾(K)这些特征对模型的预测过程有显著影响。与现有研究一致,使用可解释机器学习技术能够帮助我们深入了解产品重要属性与相关地理信息之间的复杂联系。
-
赋能可解释人工智能的物联网多传感器系统用于实时牛奶掺假检测
查看原文2024
Food Control
中科院一区JCR一区Kashish Goyal, Parteek Kumar & Karun Verma
食品标签
液态乳 食品安全与风险评估 常规理化指标测定 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类计算机标签
机器学习/统计学习 随机森林 模型可解释性 分类/鉴别/等级评定 时序传感器/物联网数据针对牛奶掺假危害牛奶营养完整性与消费者健康这一突出问题,本文提出了一套创新性的人工智能物联网多传感器系统。牛奶作为关键营养来源,其消费量日趋增长,这就要求我们采取严格措施保障牛奶的安全性与品质。传统掺假检测方法存在诸多局限,因此亟需开发一套自动化的先进检测方案。该系统集成了多种可实现实时检测的传感器,可监测酸碱度(pH)、电导率(EC)、温度、气体参数及挥发性有机化合物(VOC)参数;同时还能检测牛奶样品中的关键成分指标,包括脂肪、蛋白质、非脂乳固体(SNF)、乳糖及比重值。针对尿素、淀粉、碳酸氢钠、麦芽糊精与甲醛这几种特定掺假物质,研究采用基于机器学习的集成算法技术开展分类检测。该集成算法的性能优于随机森林(RF)、轻量级梯度提升机(Light GBM)、极端随机树分类器等传统算法,在牛奶数据集的掺假物质检测任务中,准确率高达 96%。本研究的核心贡献在于开发了一款基于物联网的数据采集装置,该装置可与传感器系统无缝集成,实现高效精准的检测。此外,研究还采用可解释人工智能(XAI)技术对所提模型的输出结果进行分析,并借助沙普利可加性解释(SHAP)分析框架阐明集成模型的决策过程,从而提升检测结果的可解释性。这套人工智能物联网多传感器系统凭借其实时监测能力与精准分类性能,成为解决牛奶掺假问题的极具前景的方案,有望推动乳制品行业完善牛奶质量管控措施。该系统能够快速检测并分类各类掺假物质,对于解决牛奶品质受损这一普遍问题具有重要意义,进而保障消费者健康,维护行业诚信。
-
基于多环境试验数据和机器学习的大麦籽粒蛋白质组评估
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Maany Ramanan, Harmonie Bettenhausen, Gabriela Grigorean, Christine Diepenbrock, & Glen Patrick Fox
食品标签
杂粮 品质、结构与理化性质 加工与新加工技术 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸计算机标签
目标检测网络 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 组学数据蛋白质组学可用于评估单个蛋白丰度,这些丰度可能反映基因型和环境效应,并可用于预测籽粒和麦芽品质。本研究使用液相色谱-质谱分析了来自加利福尼亚多环境试验(2017-2022 年)的 79 个大麦籽粒样品,样品由基因型、地点和年份组合构成。研究在所有样品中共鉴定出 3104 种蛋白。地点、基因型和年份分别解释了单个蛋白相对丰度变异的 26.7%、17.1% 和 14.3%。在 Yolo 3 和 Imperial Valley 两个地点、Butta 12 和 LCS Odyssey 两个基因型以及 2017-18 和 2021-22 年中,有 16 种具有贮藏、DNA/RNA 结合或酶功能的蛋白丰度显著高于或低于总体均值。单个蛋白丰度可较合理地预测总蛋白、醇溶蛋白、麦芽蛋白含量和麦芽细浸出物,交叉验证 RMSE 为 1.25%-2.04%。该研究说明环境对大麦蛋白质组具有重要影响,并展示蛋白质组学和机器学习在预测籽粒及麦芽品质中的应用价值。
-
使用可解释人工智能预测瑞典春燕麦中脱氧雪腐镰刀菌烯醇污染
查看原文2024
npj Science of Food
中科院一区JCR一区Wang X, Bouzembrak Y, Oude Lansink A. G. J. M. & van der Fels-Klerx H. J
食品标签
杂粮 化学污染物 暴露评估与风险表征计算机标签
随机森林 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据已知天气条件和农艺因素会影响镰刀菌属的生长,并最终影响燕麦中脱氧雪腐镰刀菌烯醇的污染。本研究旨在利用机器学习算法,在瑞典区域基础上开发预测春燕麦收获时DON污染的模型。分别针对农民、作物收集者和食品安全检查员,开发了三种模型作为区域风险评估工具。数据包括:不同燕麦生长期的天气数据、农艺数据、特定地点数据以及前一年的DON污染数据。结果表明:(1)随机森林模型能够预测收获时的DON污染,总体分类准确率至少为0.72;(2)早在6月即可做出良好预测;(3)不同燕麦生长期的降雨量、相对湿度和风速,其次是作物品种和海拔,是预测春燕麦收获时DON污染的最重要特征。
-
基于机器学习的发酵石榴汁感官偏好定向预测
查看原文2024
LWT
中科院一区JCR一区Wenhui Zou, Fei Pan, Junjie Yi, Wenjun Peng, Wenli Tian, & Linyan Zhou
食品标签
果蔬汁/浓缩汁 其他酱腌/发酵食品 感官科学与消费者研究 发酵工艺与动力学计算机标签
梯度提升决策树 模型可解释性 定量预测/回归分析 质构/流变/感官数据发酵石榴汁(FPJs)已成为满足石榴产品日益增长需求的有前景的替代品,然而,依靠感官评估开发新产品既费时又费力。在本研究中,制备了90份FPJs,以通过机器学习(ML)预测影响感官偏好的关键理化特性。在9种ML预测模型中,梯度提升(GradientBoosting)算法在验证集上表现出最佳的稳健性和预测能力,同时加权偏好得分(WPS)模型相比综合偏好得分(CPS)模型更准确地预测了感官偏好。基于SHapley加性解释(SHAP)分析,TSS、CD和LAB是影响CPS和WPS模型中偏好得分的前三大关键特性,但排名有所不同。机器学习及其可解释性为食品行业开发消费者偏好产品和提高食品感官质量提供了一种新的方法和理论基础。