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
-
结合近红外-HSI和多阶段参数优化技术预测单个玉米粒的油脂含量
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 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集利用高光谱成像和机器学习技术预测单个玉米粒的含油量具有快速且无损的优点。然而,传统方法依赖于专家的经验来设定参数。针对这些局限性,本研究设计了一种创新的多阶段网格搜索技术,该技术适应于光谱数据的特性。首先,研究自动从多达 504 种算法组合中筛选出最佳模型。随后,采用多阶段网格搜索来提高精度。我们从 15 种高油含量和常规玉米材料的穗的不同部位收集了 270 个玉米粒样本,其含油量范围从 1.4%到 13.1%。实验结果表明,组合 SG + NONE + KS + PLSR(R2:0.8570)和 MA + LAR + Random + MLR(R2:0.8523)表现最佳。经过参数优化,它们的 R2 值分别提高到 0.9045 和 0.8730。此外,ACNNR 模型的 R2 为 0.8878,RMSE 为 0.2243。改进后的算法在预测准确性和适应性方面显著优于传统方法和 ACNNR 模型,为田间应用提供了一种有效的方法。
-
二硫代糖醇功能化的钙硅矿视觉感测阵列,能够区分食用油
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
油脂及油脂制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据目前,在食品行业中,结合指纹识别方法与环保且经济的分析仪器变得愈发重要。在此背景下,开发了一种基于二硫苏糖醇(DTT)功能化的铯铅溴化物(CsPbBr3)的比色传感器阵列,用于对多种食用油进行定性鉴别。在该传感器阵列的组成中,使用了两种碘化物(十八烷基铵碘化物(ODAI)和 ZnI2)作为识别元素,而 CsPbBr3 则用作传感器阵列的信号探针。不同的食用油对碘化物的氧化方式不同,从而导致剩余碘化物的量也不同。剩余的碘化物与 CsPbBr3 之间会发生卤素离子交换,从而在紫外光下呈现出不同的颜色,从而为每种食用油提供了一个独特的指纹特征。共有五种食用油表现出其独特的比色阵列响应模式,并通过线性判别分析(LDA)成功进行了区分,实现了 100% 的分类准确率。
-
红外光谱学结合机器学习算法,用于预测奶牛的详细乳矿物剖面
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
乳及乳制品 基本营养价值评价 光谱/色谱/质谱等分析方法 传统统计分析与回归 矿物质与微量元素计算机标签
机器学习/统计学习 偏最小二乘法 超参优化/自动机器学习 定量预测/回归分析 红外/拉曼光谱数据牛奶中的矿物质不仅是人体健康所必需的成分,而且还能反映牛奶的质量以及奶牛的健康状况。在此研究中,我们利用偏最小二乘回归(PLS)和机器学习方法,通过傅里叶变换中红外(FTIR)光谱技术,对牛乳中 17 种宏观、微量和环境元素的详细组分进行了预测可行性研究。自动机器学习在矿物元素的预测性能方面明显优于偏最小二乘回归。对于宏量元素,R2 的范围在 0.59 到 0.78 之间。对于铜和硼,预测的准确性表现良好(R2 分别为 0.66 和 0.74),而对于铁、锰、锌和铝,预测性能则较为温和(R2 在 0.48 到 0.58 之间)。这些结果为快速且经济有效的这些特征的定量提供了可靠的依据,为寻求提高牛奶生产质量和优化奶酪特性的奶农提供了资源支持。
-
利用VIS-NIR高光谱成像和深度学习实现小麦颗粒中非破坏性高通量定量和营养物质可视化
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
肉类/蛋类与水产品 营养与生物功能 光谱/色谱/质谱等分析方法 常量营养素(宏量)计算机标签
深度学习 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集对农作物谷物中营养成分的高通量且低成本的定量分析对于食品加工和营养研究至关重要。然而,传统方法耗时且具有破坏性。本研究提出了一种利用可见光-近红外(400 - 1700 纳米)高光谱成像进行小麦营养成分高通量且低成本定量分析的方法。采用逐步线性回归(SLR)方法能够准确预测数百种营养成分(R2 > 0.6);当对高光谱数据进行一阶导数处理时,结果会有所改善。还使用了剔除材料来验证其实际应用价值。各种营养成分的特征波长主要集中在 400 - 500 纳米和 900 - 1000 纳米的可见光区域。最后,我们提出了一种改进的 pix2pix 条件生成网络模型来可视化营养成分的分布,并且与原始模型相比显示出了更好的结果。这项研究强调了高光谱技术在利用深度学习进行高通量且非破坏性的谷物营养成分测定和可视化方面的潜力。
-
利用拉曼光谱结合深度学习算法,研究热诱导猪肉面糊质量检测与变化机制
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 蛋白质与氨基酸计算机标签
深度学习 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据猪肉面糊的质量对其成品有着重大影响。在此研究中,我们探索了利用拉曼光谱技术结合深度学习算法来快速检测猪肉面糊的质量,并揭示在加热过程中质量变化的机制。结果表明,加热增加了β-折叠含量(从26.38%增加到41.42%),并暴露了隐藏的疏水基团,这些基团通过化学键形成聚集物。主要的疏水相互作用进一步将这些聚集物交联起来,在80°C时形成了更均匀、更致密的网络。随后,比较使用了卷积神经网络(CNN)、长短期记忆神经网络(LSTM)和CNN-LSTM 来根据拉曼光谱预测面糊的凝胶强度和白度。其中,CNN-LSTM 在凝胶强度(Rp = 0.9515,RPD = 3.1513)和白度(Rp = 0.9383,RPD = 3.0152)方面提供了最佳结果。因此,本研究展示了拉曼光谱技术结合深度学习算法作为非破坏性工具预测猪肉面糊质量并阐明质量变化机制的潜力。