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
-
代谢组分析结合机器学习算法,能够评估采后山核桃颜色的稳定性
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱 组学数据坚果外壳的颜色是影响消费者对产品第一印象的关键质量指标。越来越多的证据表明,植物酚类及其衍生物与坚果外壳的颜色有关,但负责在储存过程中保持外壳颜色稳定的化合物(生物标志物)仍不清楚。在此研究中,通过基于途径的代谢组学结合机器学习算法,旨在确定采后山核桃颜色稳定性的关键代谢物。使用液相色谱-质谱法对九个山核桃品种的种皮中的苯丙素、黄酮和花青素生物合成途径中的代谢物进行了分析。通过颜色测量,比较了不同的机器学习模型,以找到山核桃颜色表型的相关生物标志物。结果揭示了潜在的标记化合物,包括黄酮前体、花青素苷以及花青素(例如,芍药素、丁香花素-3-O-葡萄糖苷)。我们的发现为该领域的未来研究提供了基础,并将有助于选择基因/蛋白质用于培育具有稳定且理想外壳颜色的山核桃品种。
-
当原始数据不可得时,机器学习可以指导粮食安全工作
查看原文2022
Nature Food
中科院一区JCR一区食品标签
食品安全与风险评估 统计建模与仿真 观察性人群研究计算机标签
机器学习/统计学习 定量预测/回归分析 文本/知识库/法规数据 大规模数据集准确估算有多少人面临食物不安全状况以及他们具体位于何处,对于政府和人道主义组织而言至关重要,因为这有助于他们就相关政策和计划做出明智且及时的决策。在本研究中,我们提出了一种机器学习方法,用于在没有原始数据的情况下预测食物摄入不足人群的比例以及使用危机或更严重危机水平的基于食物的应对措施的人群比例。利用一个独特的全球数据集,所提出的模型能够解释食物摄入不足情况的 81% 的变化以及危机或更严重危机水平的基于食物的应对措施水平的 73% 的变化。我们还表明,所提出的模型能够实时预测粮食安全状况,并提出了一种方法来确定哪些变量在预测趋势中起着驱动作用——这对于使预测对决策者有用至关重要。
-
利用统计机器学习方法从常规可得的牛奶谱预测牛奶质量特征
查看原文2021
Journal of Dairy Science
中科院一区JCR一区食品标签
乳及乳制品 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 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 支持向量机 随机森林 主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据许多适用于处理高度相关特征的统计机器学习方法(例如那些适用于光谱数据的方法),有可能在预测性能上优于常用的偏最小二乘法。我们获得了来自 622 头已知详细蛋白质组成和技术性状数据的个体奶牛的牛奶样本,并且这些样本还附有中红外光谱。以此来评估不同回归和分类算法的预测能力。基于回归的方法包括偏最小二乘回归(PLSR)、岭回归(RR)、最小绝对收缩和选择算子(LASSO)、弹性网、主成分回归、投影追踪回归、尖峰和薄片回归、随机森林、决策树增强算法、神经网络(NN)以及事后模型平均(MA)方法。此外,我们还使用了几种分类方法(即偏最小二乘判别分析(PLSDA)、随机森林、决策树增强算法和支持向量机(SVM)),并在将感兴趣的性状分类后进行使用。在回归分析中,MA 是 14 个研究特征中 6 个特征的最佳预测方法[60 分钟时的凝乳硬度、αS1-酪蛋白(CN)、αS2-CN、κ-CN、α-乳白蛋白和β-乳球蛋白 B],而 NN 和 RR 分别是 3 个特征的最佳算法(凝乳凝固时间、凝乳硬化时间、热稳定性以及 30 分钟时的凝乳硬度、β-CN 和 β-乳白蛋白 A),PLSR 对 pH 最为适用,LASSO 对 CN 胶束大小最为适用。当将特征分为两类时,SVM 对大多数研究特征的准确性最高。尽管基于 PLSR 的成熟方法表现良好,但将统计机器学习方法应用于回归分析降低了与 PLSR 相比的均方根误差,范围在 0.18%(κ-CN)到 3.67%(热稳定性)之间。使用现代统计机器学习方法从中红外光谱中预测特征可能提高某些特征的预测准确性。
-
应用电子鼻技术结合人工神经网络预测牛奶中总细菌数量
查看原文2021
Journal of Dairy Science
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计算机标签
深度学习 定量预测/回归分析 时序传感器/物联网数据 小规模数据集总细菌计数(TBC)是评估牛奶微生物质量的广泛认可指标,基于培养的方法通常被用作其测量的标准方法。然而,这些方法既费力又耗时。本研究提出了一种结合电子鼻技术与人工神经网络的方法,用于快速预测牛奶中的 TBC 值。生成的定性模型在识别高、中或低 TBC 水平的牛奶样本时,在测试集和验证集上均达到了 100%的准确率。定量模型生成的预测 TBC 值与参考值具有很强的多重相关系数(R2 > 0.99)。在涉及 24 个和 28 个测试样本的测试集和验证集中,TBC 的预测值与参考值之间的平均相对差异分别为 1.1 ± 1.7% 和 0.4 ± 0.8%。配对 t 检验表明,无论是测试集还是验证集,TBC 的预测值与参考值之间的差异均不显著。在测试样本中,低至约 1 个对数菌落形成单位/毫升的 TBC 值都能被精确预测出来。本研究的结果表明,电子鼻技术与人工神经网络相结合能够对牛奶中的布鲁氏菌病做出可靠的预测。本研究提出的方法对于评估牛奶的微生物质量而言是可靠的、快速的且成本效益高的,因此在乳制品行业有可能具有实际应用价值。
-
机器学习方法应用于中红外光谱牛奶,以区分牛奶与牧场或全混合饲料的牛奶
查看原文2021
Journal of Dairy Science
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 常量营养素(宏量)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 红外/拉曼光谱数据 大规模数据集近年来,市场上标注为“草饲”的食品产品越来越常见,且往往价格较高。迄今为止,用于验证草饲来源产品的大多数方法都是通过审核和检查农场记录来实现的。因此,能够核实草饲来源的声明以确保消费者信心在未来将非常重要。中红外(MIR)光谱技术在乳制品行业被广泛用于快速监测单个牛群的牛奶成分和质量。进一步利用单个光谱的数据提供了一种有前景且易于实施的策略,可在农场和加工者层面验证牛奶来源。在此,对 11 种机器学习统计分析方法的稳健性、特异性和准确性进行了全面比较,以基于 4320 份来自在户外放牧或室内全混合日粮饲养系统中饲养的奶牛的牛奶样本的 MIR 光谱来区分草饲牛奶和非草饲牛奶,这些样本是在 3 年的时间内收集的。线性判别分析和偏最小二乘判别分析(PLS-DA)被证明在根据中红外光谱预测奶牛饮食方面具有最高的准确性。此外,还强调了在光谱范围内选择最具区分性的波长的简约化策略。