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 2456 条结果
-
基于聚类与降维技术的全氟及多氟烷基物质在动物物种器官中分布的机器学习多模态分析
查看原文2025
Food Research International
中科院一区JCR一区Ali Sani, Ibrahim Lawal Abdullahi, Abba Salisu, Habibu Magaji Tukur & Ahmad Kabir Maigari
食品标签
畜肉 禽肉 鱼肉 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
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据全氟及多氟烷基物质(PFAS)在水生和陆生生物中的污染构成了显著的环境与健康风险。本研究量化了鱼类(Clarias gariepinus, Oreochromis niloticus, Lates niloticus, Tilapia zilli)、牲畜(骆驼、牛、绵羊、公羊、山羊)和鸟类(鸽子、鸡、火鸡)多种组织(肝、肾、鳃、肌肉、皮肤、肺、血液、胸肉、羽毛)中的15种PFAS化合物。在鱼类中,C. gariepinus表现出最高的PFAS积累,其中PFOA (46.5 ng/g) 和 PFTrDA (50.1 ng/g) 在肝脏和肾脏中占主导,而O. niloticus则显示出较高的PFTrDA (56.87 ng/g) 和 PFUnDA (29.43 ng/g)。在牲畜中,骆驼肝脏含有较高的PFNA (9.22 ng/g),牛肝脏中PFOS含量最高 (8.1 ng/g)。在鸟类中,鸽子肝脏的PFNA含量最高 (7.83 ng/g)。为分析PFAS的分布模式,研究采用了降维与聚类技术。主成分分析 (PCA) 捕捉了总方差的68.28%,揭示了两个不同的聚类,其中鱼类与较高的PFAS浓度密切相关,而禽类与其他肉类相比显示出独特的PFAS谱图。PFOS、PFOA及其他PFAS化合物在中心附近的聚类解释了它们对各类肉类(尤其是鱼类)的普遍影响,而t-分布随机邻域嵌入 (t-SNE) 则证实了高维空间中的清晰分离。聚类分析,包括K均值、层次聚类、DBSCAN和高斯混合模型 (GMM),识别出明确的模式,其中DBSCAN和GMM检测到了重叠的类别和离群值。使用随机森林模型进行的特征重要性分析突出表明,总PFAS是最重要的预测因子,PFHxA和PFDoDA也有较强贡献,而器官类型和物种的影响相对较小。这些发现证明了无监督学习技术在表征跨物种和跨组织的PFAS生物积累模式方面的有效性,为生态和毒理学风险评估提供了宝贵信息。
-
通过电子鼻结合机器学习建立金华火腿等级、感官评分和关键风味物质预测模型
查看原文2025
Food Chemistry
中科院一区JCR一区Binghui Zhang, Ying Wang, Jinpeng Wang, Yuemei Zhang, Wei Wang, Jinxuan Cao, Baohua Kang & Wendi Teng
食品标签
其他肉与水产品 品质、结构与理化性质 感官评价与方法学 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 随机森林 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据金华火腿独特的感官与风味特征与其品质密切相关。然而,目前尚未建立可快速预测火腿等级、感官评分及关键风味物质的系统化方法。本研究采用感官评价结合电子鼻技术,分析不同等级金华火腿的感官差异;利用气相色谱-质谱联用技术,结合正交偏最小二乘回归与相关性分析,筛选鉴定火腿关键风味物质。基于电子鼻响应信号,通过逻辑回归构建火腿等级分类模型,该模型分类效果良好,准确率达0.87。同时,分别构建线性回归与随机森林模型,用于预测火腿感官评分及关键风味物质含量,各模型决定系数$R^2$均高于0.7,具备良好的适用价值。本研究为依托电子鼻结合机器学习技术快速预测金华火腿定性、定量品质指标提供了理论依据。
-
滑动窗口增强的嗅觉可视化图像结合深度学习预测冷鲜羊肉TVB-N含量
查看原文2025
Meat Science
中科院一区JCR一区Shichang Wang, Yixin Zhang, Rongguang Zhu, Fukang Xing, Jiufu Yan, Lingfeng Meng & Xuedong Yao
食品标签
畜肉 其他品质相关性质 其他理化与结构表征计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 模型轻量化/边缘计算 定量预测/回归分析 可见光/RGB/视频数据本研究提出了一种新的嗅觉可视化图像数据增强方法,结合深度学习实现了冷鲜羊肉中总挥发性盐基氮含量的准确预测。具体来说,研究定义并使用了滑动窗口,通过对滑动位置信息进行编码和解码,从每个传感区域分别提取不同的感兴趣区域,从而对嗅觉可视化图像进行了增强。这种增强方法考虑了嗅觉可视化传感器阵列在制备和反应过程中敏感点的位置偏移和颜色呈现不均匀性。基于增强后的图像,建立了三种先进的深度学习模型(InceptionNetV3、ResNet50和MobileNetV3),并与基于手动提取颜色空间特征的三种传统机器学习模型(偏最小二乘回归、支持向量回归和随机森林)进行了比较。通过比较,InceptionNetV3、ResNet50和MobileNetV3深度学习模型具有更好的预测性能,其中MobileNetV3模型获得了最优的预测结果。最佳预测模型在测试集上的决定系数为0.97,均方根误差为2.42 mg/100 g,相对预测偏差为5.82。结果表明,嗅觉可视化传感器阵列与轻量级MobileNetV3模型的结合能够稳定、有效地预测冷鲜羊肉的TVB-N含量,在羊肉新鲜度的现场评估方面具有巨大潜力。
-
使用可见光-近红外和傅里叶变换红外高光谱成像及机器学习技术对巧克力开花的监测与预测:关于调温和储存影响的研究
查看原文2025
LWT
中科院一区JCR一区Hilmi Eriklioglu, Rosario del P. Castillo, & Mecit Halil Oztop
食品标签
巧克力及含可可制品 货架期预测与品质劣变动力学 颜色与外观品质 显微与成像技术 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 支持向量机 K-近邻 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据巧克力开花是巧克力行业的主要问题之一。脂肪开花是最常见的巧克力开花类型。当开花发生时,由于不愉快的外观和不理想的质地,客户满意度会显著下降。开花的原因通常是缺乏调温或储存条件不佳。由于开花会随着时间发生,因此尤其在早期阶段很难检测。因此,有必要开发工具来监测巧克力在初期阶段的开花情况并预测开花阶段。高光谱成像是一种非破坏性的成像技术,可以揭示与物理和化学结构相关的差异。在本研究中,收集了商业巧克力样品并将其融化以生产未经调温的巧克力。所有样品都被重新模制成硬币大小的巧克力片,并在30天内拍摄了高光谱图像。结果显示,通过使用线扫描、可见-近红外超光谱相机(400 - 1000 nm),可以观察到调温巧克力、非调温巧克力以及不同储存时间之间的光谱特征差异。通过使用化学计量学方法如k近邻(KNN)、支持向量机(SVM)和人工神经网络(ANN)评估预测准确性。三种方法均显示出高性能,但使用Savitzky-Golay(SG)二阶导数预处理的神经网络正确预测了99%的样品。此外,傅里叶变换红外(FT-IR)成像证实了开花和未开花区域之间的成分变化。对获得的图像进行多变量曲线解析-交替最小二乘法(MCR-ALS)分析揭示了开花和未开花区域的显著光谱贡献,突出了与脂肪迁移相关的成分变化。高光谱成像与化学计量学的整合使得开花阶段的早期检测和监测成为可能,为实时巧克力质量控制提供了潜在的解决方案。
-
利用近红外光谱结合多元统计技术评估和分类各种豌豆品种
查看原文2025
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Xuanchun Zhu, Bangyu Yan, Feiyue Ren, Bingyu Chen, Zhaowei Han, Xinmiao Yao, Shan He & Hongzhi Liu
食品标签
豆类与坚果(及籽类) 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据快速检测豌豆蛋白中的致敏蛋白及其他营养指标,对食品研发与育种工作至关重要。本研究利用近红外光谱技术,采集不同豌豆品种的光谱数据,并结合化学检测数值开展分析;采用多元统计分析方法对模型进行优化、构建与验证。偏最小二乘回归模型的校正相关系数区间为0.74至0.99,验证相关系数区间为0.20至0.99。该研究为豌豆致敏蛋白等营养指标的检测评估以及品种分类提供了一种精准可行的技术方法。