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
-
一种检测掺有奶酪乳清的牛奶的机器学习提案方法
查看原文2022
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
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集在牛奶中添加奶酪乳清是一种常见且危害严重的欺诈行为,会导致乳制品产量降低、牛奶及牛奶制品的营养成分减少,甚至还会引发一些安全问题。然而,检测牛奶中是否添加了奶酪乳清的方法成本高昂且耗时,因此无法作为筛查手段使用。傅里叶变换红外(FTIR)光谱技术是一种有前景的替代方法,因为它能生成大量数据,并且可以提取有用信息供机器学习模型使用。本研究的目的是评估使用傅里叶变换红外与机器学习方法(如分类树和多层感知器神经网络)来检测牛奶中添加奶酪乳清的可行性。总共采集了 520 份未经处理的牛奶样本,并在浓度为 1、2、5、10、15、20、25 和 30%的情况下添加奶酪乳清;另外 65 份样本作为对照。这些样本分别在 7、20 和 30°C 下保存 0、24、48、72 和 168 小时,并使用傅里叶变换红外设备进行分析。还使用了 520 份真实牛奶样本的互补结果。通过傅里叶变换红外光谱(FTIR)预测了选定的成分(脂肪、蛋白质、酪蛋白、乳糖、总固形物和非脂肪固形物)以及凝固点(℃),然后将其用作机器学习算法的输入特征。性能指标包括:CART(分类与回归树)的准确率高达 96.2%,多层感知器神经网络的准确率高达 97.8%,两种方法的精度、灵敏度和特异性均超过 95%。利用 FTIR 预测的牛奶成分和凝固点与机器学习技术相结合,对于区分真牛奶与添加了奶酪乳清的样本具有很高的区分效率。结果表明,这是一种在牛奶质量实验室中作为高性能筛查过程来检测牛奶中掺入奶酪乳清的潜在方法。
-
机器学习辅助激光解吸/电离飞行时间质谱分析,用于牛奶产品的快速分类
查看原文2024
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 常量营养素(宏量)计算机标签
支持向量机 智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据本研究建立了一种通过结合 MALDI-TOF MS 分析与机器学习技术来快速对乳制品进行分类的方法。以两种不同类型的乳制品的分析为例。为了选择关键变量作为潜在的标志物,基于 6 种特征选择技术并结合支持向量机(SVM)分类器的综合机器学习策略被实施,以筛选有用特征并对乳制品样本进行分类。通过准确率、阿基卡信息准则(AIC)和贝叶斯信息准则(BIC)对模型进行了评估和比较。结果表明,与 SVM 结合的最小绝对收缩和选择算子(LASSO)表现最佳,预测准确率为 100% ± 0%,AIC 为 -360 ± 22,BIC 为 -345 ± 22。通过 LASSO 选择了 6 个特征,并根据可用的蛋白质分子质量数据进行了鉴定。这些结果表明,MALDI-TOF MS 与机器学习技术相结合可用于寻找食品产品认证和质量控制的潜在关键目标。
-
机器学习在体外胃肠道消化过程中揭示山羊奶蛋白中抗氧化短肽潜力的方法
查看原文2024
Journal of Dairy Science
中科院一区JCR一区食品标签
乳及乳制品 营养与生物功能 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
随机森林 定量预测/回归分析 组学数据牛奶是生物活性肽的重要膳食来源,对人们具有显著的益处。从胃肠道消化过程中产生的抗氧化短肽(二肽和三肽)中,其具有更高的生物利用度和生物可利用性这一特点得到了证实,而对它们进行单独评估则是一项既费时又昂贵的任务。基于 4 种不同的氨基酸描述符(物理化学、三维结构、量子和拓扑属性)以及用于特征选择的遗传算法,针对具有 2,2-联氨基苯并(3-乙基苯并噻唑啉-6-磺酸)二铵盐自由基清除能力的二肽和三肽分别构建了 1 个和 4 个机器学习预测模型,采用随机森林回归作为机器学习算法。有趣的是,N 端氨基酸的电子性质被认为是影响含有酪氨酸和色氨酸的二肽抗氧化能力的唯一因素。由构建的预测模型预测的四种潜在二肽和三肽具有高度的预测值。随后,在体外模拟消化过程中,通过定制的工作流程对山羊奶中的总计 45 种二肽和 52 种三肽进行了筛选。除了 5 种已知的抗氧化二肽外,还有 9 种肽在消化过程中被定量检测,其浓度范围从 0.04 至 1.78 毫克/升不等。尤其值得注意的是,具有 N 端酪氨酸的抗氧化二肽在体内功能方面的良好表现,这得到了计算机模拟的验证。总体而言,这项研究探索了影响抗氧化短肽的关键分子特性以及利用机器学习从山羊奶中高通量筛选具有抗氧化活性的肽的能力,从而有助于从奶源蛋白中发现新的功能性肽,并为理解其消化过程中的代谢产物铺平道路。
-
利用高光谱成像和机器学习识别牛奶掺假
查看原文2025
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
支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱牛奶掺假问题在全球范围内都引起了关注,而发展中国家由于监管体系和政策的不完善,面临着更高的风险。令人惊讶的是,这一普遍问题在许多国家往往都被忽视了。与普遍看法相反,牛奶中的掺假物可能会导致严重的健康风险,甚至可能引发致命疾病。检测和分类牛奶掺假对于消费者安全和乳制品行业来说至关重要。这项研究分为两个突破性方法,即破坏性方法和非破坏性方法。在破坏性方法中,使用了乳糖扫描系统进行定性分析:SNF、密度、脂肪、乳糖、电导率、固体、蛋白质、温度和pH值。该研究还通过 HSI Specim Fx-10(397–1003 纳米;斯皮姆公司,光谱成像有限公司,芬兰奥卢)分析来研究非破坏性的高光谱成像(HSI),以检测牛奶掺假的各种阶段,从而实现准确且用户友好的基于成像的掺假物检测和分类。预处理包括辐射校正、图像缩放、感兴趣区域选择以提取特征、经验线法来计算光谱反射率特征。采用的机器学习技术包括逻辑回归、决策树、支持向量机和线性判别分析(LDA),其中 LDA 在通过学习光谱特征来识别掺假方面表现尤为出色。这些算法是使用开发的牛奶掺假数据集进行训练和验证的。训练、测试和验证的准确率、精度、召回率、F1 分数、卡帕值和马修斯相关系数等指标展示了所提出流程的有效性,其验证准确率达到了 100%,超过了众多最先进的方法。总之,本研究建立了一个能够检测牛奶掺假行为的多类模型,为牛奶质量评估提供了重要的实际应用价值。
-
智能体即所需:开创性地将代理人工智能应用于乳品科学以拥抱大型语言模型
查看原文2025
Journal of Dairy Science
中科院一区JCR一区食品标签
乳及乳制品 感官科学与消费者研究计算机标签
大模型与 LLM 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据 多模态/融合数据 超大规模/工业级数据集大型语言模型(LLM)在推动乳品科学领域的发展方面具有巨大潜力,能够提升研究解读能力、辅助决策制定以及促进知识传播。然而,若缺乏系统的规划设计,LLM 可能会针对特定领域的问题生成不相关或事实性错误的回答。此外,现有的大多数 LLM 及相关工具并未针对乳品领域的需求进行定制,这限制了它们在该领域的实际应用。为了展示在乳品科学中采用 LLM 的可行性和实际价值,我们开发了一个由两个部分组成的自主系统:(1)一个基于《乳品科学杂志》(JDS)的决策支持聊天机器人,用于提供基于科学的见解;(2)一个自然语言接口,用于与学术模型进行交互并可视化预测结果。我们使用 PubMed 应用程序接口收集了自 1917 年以来所有公开可用的 JDS 抽象及其相关元数据,形成了一个科学知识库,使聊天机器人能够回答用户的问题。实施了一种检索增强的生成框架,以确保由 LLaMA(由 Meta 开发的大型语言模型)生成的回答能够与同行评审的文献紧密相关,并且每个答案都会引用 5 个最相关的来源。为了处理超出 JDS 文献范围的问题,系统中加入了网络搜索代理,从外部在线资源中检索补充信息。由 DBRX(由 Databricks 开发的大型语言模型)驱动的评分代理被纳入系统,以评估由大型语言模型生成的内容的可信度和相关性,以降低错误信息或幻觉性回答的风险。系统的第二个组成部分促进了与 MilkBot 的自然语言交互,MilkBot 是一个已发布的基于贝叶斯的产奶量预测模型。用户以通俗的语言提交问题后,系统会将问题转换为 MilkBot 的模型参数,执行模型预测,并使用预测输出生成可视化结果。这项工作展示了大型语言模型作为针对特定奶制品模型的直观、用户友好界面的能力。据我们所知,这是首个将来自科学文献、网络资源和学术模型的大量信息整合在一起,并具备自我评估能力的聊天机器人原型。它能够为学者、顾问和农民提供有关奶制品的具体见解。然而,要实现语言模型辅助决策的全部价值仍面临一些挑战,例如缺乏针对特定地区的数据以使答案适应当地情况,需要更强大的措施来保护数据安全和隐私,以及需要整合更多功能以实现更全面的决策支持。