01 / 01

类目筛选(食品学者)

清除筛选
  • 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)

清除筛选
  • 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)

清除全部筛选
畜肉

标签记录(计算机学者)

暂无筛选

共 167 条结果

  • 基于机器学习和低场核磁共振光谱数据的本地品种猪肉脂肪酸定量与分类研究

    2024
    Food Control
    中科院一区
    JCR一区
    查看原文

    José Luis Ramiro, Ana G. Neo, Trinidad Pérez-Palacios, Teresa Antequera & Carlos F. Marcos

    食品标签

    畜肉 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸

    计算机标签

    支持向量机 随机森林 K-近邻 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 中等规模数据集

    以可持续性和卓越肉质著称的地方传统猪种,正日益受到消费者的青睐。此类猪肉的脂类成分构成,是其具备健康效益与优良感官特性的核心因素。因此,精准分析肌内脂肪的特性,对于维持品质标准、打击欺诈行为至关重要。本研究采用台式核磁共振波谱技术,对两个具有代表性的西班牙本土猪种不同部位肉品的脂类图谱进行解析。通过应用化学计量学与机器学习模型,研究实现了基于猪肉部位来源与品种来源的样本分类。此外,本研究率先将台式核磁共振技术与机器学习模型相结合并用于定量分析,成功实现了肌内脂肪中多不饱和脂肪酸、单不饱和脂肪酸及饱和脂肪酸的精准定量。这一创新方法有望提升传统猪肉制品的可追溯性与真伪鉴别水平,增强消费者信心,并推动可持续畜牧业的发展。

  • 高光谱成像的光谱与纹理特征融合用于牛肉特征氨基酸含量的量化与可视化

    2024
    LWT
    中科院一区
    JCR一区
    查看原文

    Fujia Dong, Yinhong Niu, Yongzhao Bi, Jie Hao, & Songlei Wang

    食品标签

    畜肉 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸

    计算机标签

    机器学习/统计学习 偏最小二乘法 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱

    特征氨基酸是评估牛肉营养价值和风味参数的重要指标。为准确量化和可视化牛肉中的精氨酸和丙氨酸含量,探索了可见近红外高光谱多元校准分析和数据融合的可行性。使用三种方法选择最佳特征波长和融合多级纹理信息,并在不同信号下开发线性、非线性和神经网络模型的预测性能。与所有模型相比,线性模型在特征光谱和融合光谱方面显示出优越的性能。其中,CARS-ASM-ENT-PLSR模型的预测性能最有效,对丙氨酸的R P 2 = 0.9211,RMSEP = 0.1252 mg/100 g,RPDp = 3.49。用于精氨酸预测的UVE-ASM-ENT-HOM-COR-PLSR模型表现良好,R P² = 0.8596,RMSEP = 0.8596 mg/100 g,RPDp = 2.62。最后,生成了精氨酸和丙氨酸含量分布的可视化图。这项研究表明,数据融合方法为快速评估CAA含量提供了一种新途径。

  • 基于深度学习的方法用于猪骨骼肌肌纤维的完全自动分割和定量分析

    2024
    Meat Science
    中科院一区
    JCR一区
    查看原文

    Yao Zekai, Wo Jingjie, Zheng Enqin, Yang Jie, Li Hao, Li Xinxin, Li Jianhao, Luo Yizhi, Wang Ting, Fan Zhenfei, Zhan Yuexin, Yang Yingshan, Wu Zhenfang, Yin Ling & Meng Fanming

    食品标签

    畜肉 质构与流变性质 微观结构与成像 显微与成像技术

    计算机标签

    图像分割网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据

    肌纤维特性对猪肉品质有显著影响,其中横截面积(CSA)是与各种肉质指标(如剪切力)密切相关的关键参数。有效地识别和分割肌纤维是确定CSA的重要初始步骤。这一步骤非常复杂且耗时,需要一种准确且自动化的分析方法。现有方法的一个局限性是它们倾向于在完整健康肌纤维的高信噪比图像上表现良好,但未在具有显著形态变化(如冰晶存在)的更复杂图像数据集上进行验证。在本研究中,我们采用一种名为SOLOv2的深度学习架构,对经肌球蛋白腺苷三磷酸酶(mATPase)活性染色的肌纤维显微图像进行全自动分割。我们的目标是有效地获得肌纤维大小和分布的准确测量。在实际图像上的测试表明,我们的方法能够熟练地处理复杂的肌纤维分割任务,产生可用于统计分析的定量结果,并显示出与手动分析相当的可靠性。

  • 不同储存温度下生碎牛肉中大肠杆菌O157:H7生长的机器学习预测模型

    2024
    Meat Science
    中科院一区
    JCR一区
    查看原文

    Serhat Al, Fatma Uysal Ciloglu, Aytac Akcay & Ahmet Koluman

    食品标签

    畜肉 微生物安全 微生物计数与生长曲线

    计算机标签

    支持向量机 随机森林 逻辑回归/贝叶斯 智能手机/其他 定量预测/回归分析 质构/流变/感官数据

    产志贺毒素大肠杆菌(STEC)可能危及生命并导致重大疫情。通过在整个食品链各阶段采取控制措施,可以预防STEC相关感染。本研究针对这一问题,使用机器学习模型研究了接种混合菌株的生碎牛肉中,大肠杆菌O157:H7在不同温度下的生长情况。接种后,碎牛肉样品分别储存在4、10、20、30和37°C,并在0-96小时内进行21次重复计数以测定大肠杆菌O157的数量。采用机器学习方法(人工神经网络、随机森林、支持向量回归和多元线性回归)评估所获得的微生物数据,并进行统计比较以实现有效预测。决定系数(R²)和均方误差(MSE)是评估模型性能的两个关键标准,用于比较模型的预测值与观测值。随机森林模型在预测不同温度下大肠杆菌O157的生长性能方面表现出优越的性能,其R²为0.98,MSE为0.08。多元线性回归模型的预测值与观测值偏差较大,R²为0.66,MSE为2.7。我们的研究结果表明,机器学习方法可以预测碎牛肉中不同温度下大肠杆菌O157:H7的生长,从而帮助食品安全专业人员和法律机构主动评估污染风险并确定法律限值和标准。

  • 利用选择离子流动管质谱和机器学习快速无损预测气调包装新鲜猪肉的微生物质量

    2024
    Meat Science
    中科院一区
    JCR一区
    查看原文

    Linyun Chen, Lotta Kuuliala, Mariem Somrani, Christophe Walgraeve, Kristof Demeestere, Bernard De Baets & Frank Devlieghere

    食品标签

    畜肉 特征风味 微生物安全 光谱/色谱/质谱等分析方法 微生物计数与生长曲线

    计算机标签

    偏最小二乘法 支持向量机 K-近邻 梯度提升决策树 智能手机/其他 特征工程与选择策略 定量预测/回归分析 组学数据

    利用选择离子流动管质谱可以快速、痕量地定量指示猪肉微生物腐败的挥发性有机化合物。包装气氛是影响贮藏过程中挥发性有机物产生模式的因素之一。在此基础上,机器学习将有助于处理复杂的挥发组学数据并有效预测猪肉微生物质量。本研究侧重于:(1) 基于不同的嵌套交叉验证设置研究模型的泛化能力,以及 (2) 比较九种算法的预测能力和特征重要性,包括人工神经网络、k近邻、支持向量回归、决策树、偏最小二乘回归以及四种集成学习模型。使用的数据集包含 350 个不同贮藏时间猪肉样品的 37 种 VOC 浓度和总活菌数,其中包括在三种高氧和三种低氧条件下贮藏的 225 个猪里脊样品,以及 125 个商业包装产品。选择合适的交叉验证策略产生了可信且相关的预测。当使用所有可能选择的两种高氧和两种低氧条件组合进行训练时,人工神经网络对未见过的测试场景产生了满意的 TPC 预测。当 TPC 超过约 6 log CFU/g 时,基于人工神经网络的装袋算法优于其他模型。包括苯甲醛、3-甲基-1-丁醇、乙醇和甲硫醇在内的 VOC 被识别为具有高特征重要性。这个详细的案例研究说明了实时检测技术和机器学习在肉类质量预测中的巨大前景。进一步研究处理低水平 VOC 将有助于提高模型性能和商业肉类质量控制中的决策能力。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号