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 1098 条结果
-
基于智能手机的数字图像方法,协助斯洛伐克托卡伊葡萄酒鉴定化学计量
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
酒精饮料 食品安全与风险评估 显微与成像技术 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 可见光/RGB/视频数据斯洛伐克葡萄酒与匈牙利、法国、奥地利和乌克兰等不同地理区域的类似葡萄酒进行鉴定,采用了OC-PLS、DD-SIMCA和PLS-DM三种模型,这些模型均严格执行。研究共采纳了63个样本,其中41个来自斯洛伐克,涵盖了多种葡萄酒类型,如品种酒、Cuvée(不同的“putňový”)和精华。为了在受控条件下拍摄数字图像,设计了一个内面白色的定制纸箱,并配备了智能手机。培训阶段,OC-PLS、DD-SIMCA 和 PLS-DM 分别获得了96%、100%和96%的敏感性。在DD-SIMCA和PLS-DM的后续验证和测试阶段,所提方法展现出最佳效率,灵敏度和特异性均达到100%。然而,OC-PLS在验证中显示出90%的效率,测试中显示出80%的效率,未能取得类似结果。
-
在PLS回归中利用梯度增强机优化特征选择,通过近红外光谱预测多国玉米粒中的水分和蛋白质
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
玉米 基本营养价值评价 光谱/色谱/质谱等分析方法 常量营养素(宏量)计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据水分和蛋白质含量的差异会影响玉米粒的营养价值和加工效率 。近红外(NIR)光谱可用于估计玉米粒的成分,但训练于少数环境的模型可能低估误差率和偏差。我们从多样国际环境中收集玉米样本,利用近红外结合化学计量和偏最小二乘回归(PLSR)确定水分和蛋白质含量。通过提取敏感波长,评估了五种特征选择方法提升预测准确度的潜力。梯度增强机(GBM),特别是CatBoost和LightGBM,被发现能有效选择水分(1409、1900、1908、1932、1953、2174纳米)和蛋白质(887、1212、1705、1891、2097、2456纳米)的关键波长。SHAP图显示了波长对模型预测的重要贡献。这些结果展示了GBM在农业和食品领域特征工程中的有效性,包括开发玉米粒中多国全球校准的水分和蛋白质模型。
-
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 常量营养素(宏量)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(FP)是判断超冷肉品的重要质量指标。目前,研究了高光谱成像(HSI)在预测多次冻融(F-T)循环影响下的牛肉FP的潜力。相关分析显示,FP与结合水比例(P)呈负相关21)与固定水的比例(P)呈正相关22). 此外,通过主成分分析(PCA)选定了最优波长。基于预测FP的最优波长,成功开发了主成分回归(PCR)和偏最小二乘回归(PLSR)模型,预测中具有决定系数(分别为0.76和0.76,预测均方根误差(RMSEP)分别为0.12和0.12。此外,基于全波长的PLSR被建立用于预测P的算法21其中为0.80,RMSEP(均正中正偏差)为0.67,并基于最优波长建立了PLSR用于预测P。22其中为0.87,RMSEP为0.66。结果显示了高光谱技术作为无损方法预测肉类的FP和水分分布的潜力。
-
一种有效的深度学习融合方法,用于利用双高光谱成像系统预测鸡胸肉的TVB-N和TVC内容
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
禽肉 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
其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据挥发性总碱性氮(TVB-N)和总可活数(TVC)是肉类鲜度的重要指标。高光谱成像结合化学计量学已被证明在肉类检测中有效。然而,化学计量学的挑战在于缺乏普遍适用的处理组合,需要在不同数据集上进行反复试验。本研究提出了一个端到端深度学习模型——金字塔注意力特征融合模型(PAFFM),整合了CNN、注意力机制和金字塔结构。PAFFM融合了原始可见光和近红外范围(VNIR)及短波近红外范围(SWIR)光谱数据,用于预测鸡胸肉中的TVB-N和TVC。与卷积神经网络和化学计量模型相比,PAFFM在无需复杂的处理组合优化过程的情况下取得了优异的成果。对PAFFM性能有显著贡献的重要波长被可视化并进行解读。本研究为光谱探测的市场应用提供了宝贵的参考和技术支持,惠及相关研究和实际领域。
-
机器学习联合预处理和超参数自动调优开发及其在椰奶掺假近红外光谱数据中的应用
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
乳及乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质计算机标签
机器学习/统计学习 偏最小二乘法 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据本研究提出了一种新颖的方法,基于近红外(NIR)光谱数据交叉验证中的最佳性能,自动选择机器学习(ML)算法的预处理方法和超参数。该方法同时包含单步骤或多重预处理步骤,并调整超参数,以确定椰奶掺假蒸馏水和成熟椰子水在0%至50%范围内的最佳模型性能。计算实验使用了九种单一预处理类型、三种类型的机器学习分类器(线性判别分析(LDA)、k-最近邻(KNN)、多层感知器(MLP))和三种类型的机器学习回归器(偏最小二乘法、KNN、MLP)。所提出的绩效策略有效解决了椰奶掺假的分类和回归挑战,并取得了令人满意的结果。最后,结果表明所提方法能够更准确地确定最佳模型,特别是在椰奶掺假的近红外光谱中。