类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 167 条结果
-
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
Huanhuan Li, Wei Sheng, Selorm Yao-Say Solomon Adade, Xorlali Nunekpeku, & Quansheng Chen
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。
-
机器学习算法作为肉类追溯系统工具的有效性：一项对西班牙地中海羔羊胴体进行分类的案例研究
查看原文
2024
Food Control
中科院一区JCR一区
Manuel García-Infante, Pedro Castro-Valdecantos, Manuel Delgado-Pertíñez, Alfredo Teixeira, José Luis Guzmán & Alberto Horcada
食品标签
畜肉 食品安全与风险评估 感官科学与消费者研究 理化与结构表征 传统统计分析与回归 脂质与脂肪酸计算机标签
机器学习/统计学习 支持向量机 K-近邻 分类/鉴别/等级评定 质构/流变/感官数据 超大规模/工业级数据集近几十年来，建立肉制品溯源体系一直是食品科学领域的研究重点。在此背景下，食品营养生物标志物鉴定技术的最新进展，以及统计学技术的不断完善，推动了食品品类识别与分类精度的提升。此外，人工智能技术的兴起更为优化现有动物源性产品鉴别方法提供了全新的突破口。本研究以西班牙本土马略卡绵羊品种的商品肉羊为研究对象，这些肉羊来源于三种养殖模式：哺乳羔羊、放牧育肥轻量级羔羊、放牧结合谷物补饲育肥轻量级羔羊。研究基于羊肉的感官特性、风味特征及营养成分等原始检测数据，对比分析了不同机器学习算法对肉羊养殖模式的鉴别效能。研究共评估了六种机器学习算法，分别为人工神经网络（ANN）、决策树、K 近邻算法（KNN）、朴素贝叶斯、多项逻辑回归以及支持向量机（SVM）。针对每种算法，研究人员测试了三类数据集：一是感官与风味特征数据集，涵盖 CIELAB 色泽参数、持水性、沃布剪切力、挥发性风味物质及专业品鉴评分；二是营养成分数据集，包含常规营养组成与脂肪酸谱；三是整合了前两类数据的组合数据集。所有检测数据最终整合为一个包含 144 个变量、11232 条检测记录的羊肉品质特征数据集。实验结果显示，人工神经网络算法在三类单一数据集上均表现出优异性能：其基于感官风味数据集、营养成分数据集及组合数据集的总体分类准确率分别达到 0.88、0.83 和 0.88。支持向量机算法在基于营养成分数据集和全特征组合数据集鉴别肉羊养殖模式时，表现同样出色，分类准确率与人工神经网络算法持平。K 近邻算法的性能则在所有算法中最差，在各类数据集上的总体准确率均不超过 0.54。本研究证实，机器学习技术是商品肉羊胴体分类的有效工具。其中，人工神经网络与支持向量机算法可作为鉴别地中海型轻量级羔羊养殖模式的技术手段，其判别依据为羊肉的感官、风味及营养特征。不过，为了完善肉羊养殖模式溯源技术，更好地保障消费者权益，同时优化算法的学习过程，未来仍需针对其他绵羊品种开展更多同类研究。
-
利用人工智能从数字图像预测牛胴体分割肉产量
查看原文
2024
Meat Science
中科院一区JCR一区
Daragh Matthews, Thierry Pabiou, Ross D. Evans, Christian Beder & Aengus Daly
食品标签
畜肉 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 超大规模/工业级数据集深度学习（DL）已被证明是许多图像分类问题的成功工具，但尚未应用于胴体图像。本研究旨在训练DL模型预测胴体分割肉产量，并将预测结果与更标准的机器学习（ML）方法进行比较。我们采用了三种方法来预测分组胴体分割肉产量，即烧烤用切块和烘烤用切块，分别使用了54,598头和69,246头动物的大数据集。所采用的方法是：（1）使用动物表型数据作为一系列ML算法的特征；（2）使用胴体图像训练卷积神经网络；（3）直接从胴体图像测量胴体尺寸，并结合相关的表型数据，作为ML算法的特征数据。结果表明，DL模型可以训练用于预测胴体分割肉产量，但使用胴体尺寸进行ML算法的方法在绝对数值上表现略好。
-
基于数据级融合和深度残差网络的热成像和CCD成像协同应用检测羊肉掺假
查看原文
2023
Meat Science
中科院一区JCR一区
Shichang Wang, Rongguang Zhu, Zhongtao Huang, Minchong Zheng, Xuedong Yao & Xunpeng Jiang
食品标签
畜肉 食品安全与风险评估 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据为提高单一热成像和单一CCD成像检测未知掺假肉样品的性能，将这两种成像技术与深度残差网络协同应用于羊肉掺假检测。考虑到空间和细节信息在提高稳定性和准确性方面的重要性，提出了三种数据级融合方法，即彩色图像拼接、灰度图像拼接和灰度通道堆叠，用于热图像和CCD图像的融合。基于融合图像进一步建立了分类和预测模型。结果表明，采用彩色图像拼接的模型性能最佳。对于外部验证集，最佳分类模型区分五个类别的准确率为99.30%。在预测猪肉掺假比例方面，最佳预测模型的R^2、RMSE、RPD和RER分别为0.9717、0.0238、7.8696和21.28。预测鸭肉掺假比例的最佳模型R^2为0.9616，RMSE为0.0277，RPD为5.1015，RER为14.44。因此，热成像和CCD成像的协同应用可为检测羊肉掺假及其他食品质量提供一种新颖且有前景的工具。
-
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。
