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 167 条结果
-
利用高光谱成像预测牛肉的冰点和水分分布,实现双重冻融循环
查看原文2024
Food Chemistry
中科院一区JCR一区Qingyi Wei, Chaoying Pan, Hongbin Pu, Da-Wen Sun, Xiaolei Shen & Zhe Wang
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 高光谱/多光谱光谱冰点是超冷肉一项重要品质指标。本研究探究高光谱成像技术用于预测经多次冻融循环处理后牛肉冰点的可行性。相关性分析结果表明,冰点与结合水占比(P21)呈负相关,与不易流动水占比(P22)呈正相关。同时,通过主成分分析筛选出特征最优波段;基于最优波段分别构建主成分回归模型与偏最小二乘回归模型用于冰点预测,两种模型的预测决定系数均为0.76,预测均方根误差均为0.12。此外,基于全波段构建偏最小二乘回归模型预测结合水占比P21,模型预测决定系数为0.80,预测均方根误差为0.67;基于最优波段构建偏最小二乘回归模型预测不易流动水占比P22,模型预测决定系数为0.87,预测均方根误差为0.66。研究结果表明,高光谱技术可作为一种无损检测手段,实现对肉类冰点与水分分布状况的预测,具备良好应用潜力。
-
利用短波红外高光谱成像技术测定牛肉末和羊肉末中的猪肉掺假
查看原文2024
Food Control
中科院一区JCR一区Rudiati Evi Masithoh, Muhammad Fahri Reza Pahlawan, Juntæ Kim, Muhammad Akbar Andi Arief, Hary Kurniawan, Reza Adhitama Putra Hernanda, Hanim Zuhrotul Amanah & Byoung-Kwan Cho
食品标签
畜肉 品质、结构与理化性质 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 主成分分析/判别分析 定量预测/回归分析 高光谱/多光谱光谱肉类掺假不仅会引发宗教层面的争议,还会带来经济、品质与安全等多方面的问题。因此,保障标称的主料肉中未掺入其他非必要肉类,具有重要的现实意义。本研究采用工作波段为 895–2504 nm 的短波红外高光谱成像技术(SWIR HSI),旨在检测牛肉糜与羊肉糜样品中的猪肉掺假比例。实验中,研究人员向牛肉糜、羊肉糜样品中分别掺入质量占比为 2%–50% 的猪肉糜,随后利用无监督学习算法 ——主成分分析法(PCA) 对光谱数据进行分析与可视化处理,以此判别不同样品光谱特征的相似性。研究人员进一步基于光谱数据构建了偏最小二乘回归模型(PLSR),用于预测牛肉糜与羊肉糜中的猪肉掺假比例。结合多种光谱预处理方法后,猪肉 - 牛肉混合样品模型的决定系数(R2)达到 0.97,均方根误差(RMSE)处于 2.47–2.55 区间;猪肉 - 羊肉混合样品模型的决定系数(R2)为 0.84–0.91,均方根误差(RMSE)为 5.07–6.10。之后,研究人员将所构建的偏最小二乘回归模型应用于图像的每个像素点,生成化学成像图,直观呈现猪肉在牛肉糜与羊肉糜中的分布情况。本研究证实,短波红外高光谱成像技术具备应用于肉类加工行业分选设备的潜力,可有效实现肉类掺假检测。
-
基于高光谱成像的光谱和纹理特征组合用于肉牛饲养方式验证的研究
查看原文2024
Food Control
中科院一区JCR一区Sara León-Ecay, Kizkitza Insausti, Silvia Arazuri, Irantzu Goenaga, & Ainara López-Maestresalas
食品标签
畜肉 品质、结构与理化性质 理化与结构表征 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱本研究旨在探索近红外高光谱成像(NIR-HSI)技术作为一种无损、快速检测手段,区分两种肉牛育肥日粮的应用潜力。为此,研究人员以 24 头纯种比利牛斯犊牛为试验对象开展饲喂试验:其中 12 头饲喂大麦 - 秸秆日粮(BS 组),11 头饲喂植物副产物日粮(VBPR 组)。对两组犊牛的肉样进行基准指标检测后发现,仅有总胶原蛋白占比这一项指标呈现出显著的日粮效应(p值 < 0.05)。为建立日粮溯源鉴别方法,本研究采用两种判别分析模型 —— 偏最小二乘判别分析(PLS-DA)与径向基函数 - 支持向量机(RBF-SVM)。为精准提取牛排瘦肉部位的光谱及纹理信息,研究整合了多种技术手段,包括主成分(PC)图像分析、竞争性自适应重加权采样(CARS)特征波长筛选,以及灰度共生矩阵(GLCM)纹理特征提取。基于高光谱成像数据,并结合纹理特征构建的判别模型,实现了对不同育肥日粮来源牛肉的有效区分:PLS-DA 模型的总体鉴别准确率为 72.92%,RBF-SVM 模型则达到 80.56%。综上,本研究证实了高光谱成像技术在鉴别基于循环经济模式的日粮育肥肉牛产品方面的应用潜力。
-
人工智能驱动的食品质量预测:应用机器学习集合模型动态预测猪肉pH值和肉色变化
查看原文2024
Food Chemistry
中科院一区JCR一区Xidi Yang, Liangyu Zhu, Wenyu Jiang, Yiting Yang, Lili Niu , Ye Zhao, Yan Wang, Lei Chen, Mailin Gan, Li Zhu & Linyuan Shen
食品标签
畜肉 品质、结构与理化性质 统计建模与仿真 蛋白质与氨基酸计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 多模态/融合数据 大规模数据集本研究采用食品化学驱动的方法,预测屠宰猪肉的质量动态,重点关注控制pH变化和肉色变化的生化机制,持续48小时。肌红蛋白氧化还原状态的相互转化以及糖解反应的级联反应通过复杂的化学途径从根本上决定肉质质量。利用来自24个品种的1284头猪的多源数据,我们开发并优化了机器学习集合模型,包括LightGBM、XGBoost和Random Forest,以捕捉这些化学转化。我们的集合学习方法在R条件下实现了更优的预测精度2 pH值和颜色属性均超过0.7。特征重要性分析揭示了早期pH值和肌肉结构特征作为关键预测因子,与厌氧糖解理、蛋白质变性动力学和肌红蛋白氧化还原反应等关键生化过程相符。这些见解强调了化学机制与感官特征之间的复杂相互作用,为传统评估方法提供了更精确的替代方案。本研究确立的猪肉质量预测化学基础,提供了一个可扩展的框架,整合遗传、环境和加工因素,最终通过 应用食品化学原理,提升肉类生产中的质量控制、精准性和可持续性。
-
食品标签
畜肉 品质、结构与理化性质 显微与成像技术计算机标签
深度学习 循环神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据牛肉是人类饮食中重要的一种食品。对这种食品的质量和安全性的评估是一个需要关注的问题。通过图像处理方法对牛肉质量进行无损测定在食品安全方面显示出巨大的潜力,因为它有助于防止浪费。传统上,通过图像处理方法对牛肉质量的测定是基于手工制作的颜色特征。然而,仅基于颜色空间模型很难确定肉的质量。本研究介绍了一种有效的牛肉质量分类方法,该方法将基于学习的全局特征和手工制作的颜色特征进行串联。根据实验结果,convVGG16 + HLS + HSV + RGB + Bi-LSTM 模型取得了很高的性能值。该模型的准确率、精确率、召回率、F1 分数、AUC、杰卡德指数和 MCC 值分别为 0.989、0.990、0.989、0.990、0.992、0.979 和 0.983。