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
-
基于近红外光谱结合斜率和偏置校正与校准更新提升猕猴桃可溶性固形物含量的预测性能
查看原文2023
Food Research International
中科院一区JCR一区Shijie Tian, Wei Liu & Huirong Xu
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 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)对猕猴桃尤为重要,它不仅决定风味,还有助于评估成熟度。可见/近红外光谱已广泛用于评估猕猴桃SSC。然而,基于局部样本建立的校准模型对于具有生物变异性的新批次样品可能效果不佳,这限制了该技术的商业应用。因此,本研究利用一批猕猴桃建立了校准模型,并使用来源和收获时间不同的另一批次样品测试其预测性能。利用第一批猕猴桃建立了四种SSC预测校准模型,分别基于全光谱、连续有效波长和离散有效波长。这四种模型在内部验证集上的R2v值分别为0.83、0.92、0.96和0.89,对应的RMSEV值分别为1.08%、0.75%、0.56%和0.89%,RPDv值分别为2.49、3.61、4.80和3.02。显然,所有四种PLSR模型在验证集上均表现良好。然而,这些模型在预测第二批样品时表现很差,其RMSEV值均超过1.5%。尽管模型无法用于精确预测SSC,但由于预测的SSC值可拟合为一条特定直线,它们仍能在一定程度上解释第二批猕猴桃的SSC值。为了使CSMW-PLSR校准模型能够预测第二批猕猴桃的SSC,本研究通过校准更新和斜率/偏置校正提高了该模型的鲁棒性。随机选取不同数量的新样本用于更新和SBC,最终确定用于更新和SBC所需的最小样本数分别为30和20。经过校准更新和SBC后,新模型在预测集上的平均R2p、平均RMSEP和平均RPDp值分别为0.83和0.89、0.69%和0.57%、2.45和2.97。总体而言,本研究提出的方法能有效解决校准模型在预测具有生物变异性的新样本时性能不佳的问题,使模型更加稳健,从而为实际应用中SSC在线检测模型的维护提供了重要指导。
-
嗅觉传感器结合化学计量学分析测定储存小麦中的脂肪酸
查看原文2023
Food Control
中科院一区JCR一区Hui Jiang, Jihong Deng, & Quansheng Chen
食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
支持向量机 机器学习/统计学习 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据脂肪酸含量是衡量小麦储藏品质的核心指标。本研究提出一种基于嗅觉传感器技术的储藏小麦脂肪酸定量检测方法。研究采用 12 种化学染料(卟啉类化合物)制备得到4×3 阵列式嗅觉传感器,用于采集储藏小麦的挥发性气味信息。通过 蜣螂优化算法(DBO) 筛选与小麦脂肪酸值高度相关的最优特征颜色变量组合,并构建基于支持向量回归(SVR)的小麦脂肪酸值检测模型。结果表明,蜣螂优化算法可有效筛选出与小麦脂肪酸值密切相关的特征颜色变量;基于该算法筛选的 11 个特征颜色变量所构建的支持向量回归检测模型性能最优,其预测均方根误差低至 3.0384 mg/100g,预测相关系数(R p)达 0.9413。
综上,本研究制备的嗅觉传感器在粮食储藏品质检测领域具有良好的应用前景。 -
基于深紫外光谱与机器学习的猪肌肉盐分效应评估与预测
查看原文2023
Meat Science
中科院一区JCR一区Said Abou El Karam, Maxime Ferrand, Thierry Astruc & Arno Germond
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 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据本研究旨在探讨深紫外光谱结合机器学习在评估和预测不同腌制处理对肉类盐分含量影响方面的潜力。以猪的大圆肌为模型,比较了经过滚揉处理的未腌制肌肉和腌制肌肉的光谱发射情况。研究中特意使用了从1.1%到1.9%、以0.2%为梯度的低腌制浓度,以探究该方法是否足够灵敏以检测和预测如此微小的变化。采用t分布随机邻域嵌入分析来可视化八种处理对样本的影响以及不同动物样本在低维空间中的分布情况。此外,构建了支持向量机模型来预测盐处理类型,考虑了五种盐处理浓度。该模型使用径向基函数核,进行了100次迭代。采用随机抽样,将75%的数据集用于训练,25%用于建立验证数据集。预测能力在所有迭代中取平均值,并显示在混淆矩阵中。使用高效液相色谱法测得的盐浓度为目标,通过500次迭代计算了偏最小二乘回归模型以预测盐浓度。本研究证明了紫外光谱分析和机器学习的潜力,可用于在低维空间中可视化加工方法和动物变异在分离猪肉样本中的相对贡献,并预测小范围盐分变化下的盐分种类和盐分浓度。由于本研究使用了NaCl的微小变化,我们的工作很好地补充了近期关于预测大范围盐分变化及其对肌肉结构影响的研究。未来,这些预测模型有望在工业环境中现场应用,以优化加工过程或加速肉类的质量评估。
-
比色传感器在无损预测福建牡蛎总挥发性盐基氮(TVB-N)含量中的应用
查看原文2023
Food Control
中科院一区JCR一区Shang Wang, Silin Huang, Yuying Han, Jian Wu, Tianhui Jiao, Jie Wei, Xiaomei Chen, Qingmin Chen, & Quansheng Chen
食品标签
软体与贝类 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
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据挥发性盐基氮(Total Volatile Basic Nitrogen, TVB-N)含量是水产品安全性评价的核心指标之一。本研究构建一种集成成像模块与可见 - 近红外光谱模块双数据采集单元的比色传感阵列技术(Colorimetric Sensing Array, CSA),旨在实现对福建牡蛎中 TVB-N 含量的无损预测。研究采用三种数据融合策略,结合变量组合种群分析(Variable Combination Population Analysis, VCPA)、蚁群算法及竞争性自适应重加权采样法等变量筛选方法,建立偏最小二乘(Partial Least Squares, PLS)模型以预测牡蛎的 TVB-N 含量。结果显示,双信息模块数据融合的建模效果显著优于单一模块数据建模;其中,基于高阶融合 - VCPA 策略的模型性能最优,预测集相关系数(R p)达 0.9128。本研究证实,比色传感阵列技术有望应用于福建牡蛎 TVB-N 含量的无损监测。
-
基于气相色谱-离子迁移谱与化学计量学的不同颜色膨化大米挥发性有机化合物表征
查看原文2023
Food Research International
中科院一区JCR一区Wengang Jin, Zihan Zhang, Shibo Zhao, Junxia Liu, Ruichang Gao & Pengfei Jiang
食品标签
大米 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
偏最小二乘法 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 红外/拉曼光谱数据本研究采用气相色谱-离子迁移谱(GC-IMS)技术分析了黑、绿、紫、红、黄五种不同颜色膨化大米的挥发性特征,以探究其气味特性。在这些膨化大米中共鉴定出52种挥发性成分,包括27种醛类(占59.69–64.37 %)、9种酮类(25.55–29.73 %)、5种醇类(2.45–5.29 %)、4种吡嗪类(1.38–2.36 %)、3种醚类(0.81–1.27 %)、2种呋喃类(0.95–1.39 %)、1种吡啶类(1.0–1.16 %)和1种吡咯类(0.59–0.71 %)。醛类和酮类是不同颜色膨化大米中的两种主要挥发性成分。通过GC-IMS鉴定的各种彩色膨化大米中的挥发性风味成分,可以通过主成分分析和聚类分析很好地区分。同时,通过正交偏最小二乘判别分析拟合了一个稳定的预测模型,并基于变量重要性投影(VIP)值大于1筛选出19种差异挥发性成分。这些发现可为理解彩色膨化大米及相关产品的风味特征提供一定参考。