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 364 条结果
-
食品标签
发酵乳/酸奶 微生物安全 微生物计数与生长曲线 发酵工艺与动力学计算机标签
循环神经网络 支持向量机 定量预测/回归分析准确预测微生物生长和酸化对优化酸奶发酵过程至关重要。本研究提出了一个基于机器学习的框架,将长短期记忆(LSTM)神经网络与经典的微生物初级生长模型相结合进行微生物预测,并采用支持向量回归(SVR)对pH酸化动力学进行建模。该框架应用于37°C、41°C和45°C复配脱脂乳中的嗜热链球菌和保加利亚乳杆菌发酵。混合LSTM模型在37°C和41°C下展现出对菌株特异性、温度依赖性生长模式的更高预测精度,而Gompertz模型在45°C下仍然最有效。在酸化预测方面,SVR在所有条件下的表现均优于Gompertz、Weibull及集成模型。使用十个生物重复的验证显示,与传统模型相比,RMSE降低了高达86%。这些结果凸显了混合机器学习框架在提高实时发酵监测、减少批次差异以及支持工业酸奶智能控制方面的潜力。未来的工作将探索与传感器数据的整合,并扩展到混合培养和功能性乳制品配方。
-
基于多波段高光谱成像与机器学习的商品肉干无损鉴别
查看原文2025
Food Chemistry: X
中科院一区JCR一区Yuanxi Han, Liang Li, Siyuan Jiang, Pengpeng Sun, Wenliang Wu & Zhendong Liu
食品标签
畜肉 禽肉 食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
支持向量机 智能手机/其他 超参优化/自动机器学习 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据市场上商业肉干的假冒现象十分普遍。本研究结合可见-近红外和短波-近红外高光谱成像技术,以及多种机器学习算法,对五种商业肉干产品进行无损鉴别,并探究了不同光谱波段、算法选择和优化方法对鉴别性能的影响。经过数据预处理后,所有模型的准确率和稳定性均有所提升。具体而言,逻辑回归模型在肉干鉴别方面表现最佳,准确率达到85.78%–100.00%。通过超参数优化,线性核支持向量机的准确率最高(在两个波段中分别为89.29%和95.29%)。此外,采用双曲正切激活函数的人工神经网络训练性能最优,准确率超过90.00%。研究结果表明,短波-近红外高光谱成像结合线性模型(逻辑回归和线性核参数设置的支持向量机)更适合肉干种类的鉴别。本研究为肉干种类鉴别中的波段选择、模型选择及优化提供了参考。
-
利用生物信息学与人工智能揭示Osborne蛋白类别的物理化学差异
查看原文2025
Food Research International
中科院一区JCR一区Hyukjin Kwon, Yixiang Xu, Xuan Xu & Yonghui Li
食品标签
蛋白质配料 品质、结构与理化性质 动力学建模 蛋白质与氨基酸计算机标签
支持向量机 图神经网络 分类/鉴别/等级评定 组学数据 大规模数据集Osborne分级法仍是食品科学中用于分类种子储存蛋白(SSPs)的基石,但各类别之间的分子差异仍不清楚。本研究采用一个整合了结构建模、人工智能(AI)驱动的分类以及分子动力学(MD)模拟的计算框架,以阐明这些潜在的物理化学差异。使用来自215个物种的1039个SSPs数据集,提取并比较了基于序列和结构的特征,以识别类别特异性特征,例如清蛋白的低疏水斑块面积。在这些特征上训练了机器学习(ML)分类器(包括二元支持向量机和图卷积网络),验证和测试准确率在96.0%至100.0%之间。使用SHapley加性解释和显著性映射进行的模型解释,分别揭示了清蛋白/醇溶蛋白与球蛋白/谷蛋白之间的关键区别特征。对于清蛋白和醇溶蛋白类别,物理化学特征比较和ML分类器识别了导致其溶解度差异的因素,例如醇溶蛋白中带电残基的低丰度。另一方面,尽管某些特征(例如平均表面电势)能区分球蛋白和谷蛋白,但未发现这些特征与实验溶解度趋势之间存在明确关联。值得注意的是,球蛋白和谷蛋白的显著性分析突出了保守的β-桶基序之外的环和螺旋区域,在这些区域观察到了谷氨酸、甘氨酸、丝氨酸和谷氨酸残基的组成差异。MD模拟探索了代表性SSPs在特定溶剂中的构象变化,对单聚体进行了全原子模拟,并对多聚体进行了粗粒度模拟。对于2S大豆清蛋白和19 kDa玉米醇溶蛋白,在它们适应70%乙醇环境的过程中观察到了不同的氢键模式,并且在多聚体模拟中再现了预期的聚集趋势。结合ML分类中强调的特征,这些结果表明,清蛋白和醇溶蛋白的实验溶解度可以在单体水平上得到解释。然而,对于豌豆豆球蛋白A(球蛋白)和水稻谷蛋白A1,未观察到结构和聚集动力学的明显差异,仅凭单体特性无法解释它们不同的溶解度。这些发现表明,谷蛋白的不溶性很可能由蛋白质间的二硫键网络决定,而非其内在的单体特性,这与先前的实验观察结果一致。
-
使用便携式拉曼-SORS光谱仪作为认证高油酸葵花籽油的简便方法
查看原文2025
Food Control
中科院一区JCR一区G. Jiménez-Hernández, F. Ortega-Gavilán, A. González-Casado & M.G. Bagur-González
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据如今,由于初榨橄榄油价格高昂,葵花籽油(SFO)被广泛用于烹饪。在其商业类型中,高油酸葵花籽油(HOSFO)因其高油酸含量和优异性能而最为合适,这不仅提升了其品质,也提高了价格。为了保护因产品附加值(更高的油酸含量)而支付更高价格的消费者,有必要在整个加工和分销链中对不同商业类型的SFO进行认证。因此,生产者、各分销环节直至最终销售点以及官方管理部门都需要工具来验证和确保顾客购买的是他们真正想要的产品。现有文献中尚无研究涉及不同类型SFO之间的区分(认证)。本文利用空间偏移拉曼光谱(SORS)获得的仪器指纹,并结合不同的化学计量学工具进行处理,成功地认证了这些油品的不同商业类型。对SORS指纹矩阵的化学计量学分析揭示了样品的自然分组(HCA和PCA),以及基于与脂肪酸出现相关的特征拉曼光谱区域进行判别/分类的可能性。所有开发的模型(PLS-DA、SVM和SIMCA)都显示出可靠的质控性能(如灵敏度、特异性以及低假阳性/假阴性率等)。它们能够有效认证HOSFO,但只有SIMCA模型能够成功区分所有类型的SFO。
-
结合深度卷积生成对抗网络与可见光-近红外高光谱反射技术提高水稻种子花青素含量预测精度
查看原文2025
Food Control
中科院一区JCR一区Xingsheng Bao, Deyao Huang, Biyun Yang, Jiayi Li, Atoba Tolulope Opeyemi, Renye Wu, Haiyong Weng & Zuxin Cheng
食品标签
豆类与坚果(及籽类) 其他品质相关性质 显微与成像技术计算机标签
支持向量机 深度学习 定量预测/回归分析 高光谱/多光谱光谱花青素是评估水稻品种质量的关键参考指标,因此快速建立水稻籽粒花青素的无损检测方法具有重要意义。本研究构建了一种针对一维光谱数据优化的1D-DCGAN(一维深度卷积生成对抗网络)策略和一个1D-CNN(一维卷积神经网络)模型,在有限的数据集内实现了高质量的生成样本效果和更准确的花青素预测。SG(Savitzky-Golay)-1D-CNN在测试集中的表现显著优于LSR(最小二乘回归)、SVM(支持向量机)和BPNN(反向传播神经网络),其R2(决定系数)、RMSE(均方根误差)和RPD(残差预测偏差)值分别为0.83、10.99和2.45。此外,通过添加一定数量的生成样本来训练SG-1D-CNN可以增强模型在测试集中的性能。当添加样本数量为60(原始训练集样本量的75%)时,SG-DCGAN-1D-CNN(Savitzky-Golay深度卷积生成对抗网络一维卷积神经网络)表现出最佳性能,R2、RMSE和RPD分别达到0.87、9.40和2.88。基于此策略的DCGAN-1D-CNN方法有望为多品种水稻种子的精确预测提供新的见解。