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 187 条结果
-
改进的DCGAN模型:基于高光谱图像的哈密瓜农药残留识别数据增强方法
查看原文2024
Food Control
中科院一区JCR一区Haibo Tan, Yating Hu, Benxue Ma, Guowei Yu, & Yujie Li
食品标签
新鲜水果 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法计算机标签
深度学习 支持向量机 随机森林 生成对抗网络 分类/鉴别/等级评定 高光谱/多光谱光谱由于农药的不规范使用,哈密瓜农药残留问题日益引发关注,这一现象已构成潜在的食品安全隐患。因此,建立一套哈密瓜农药残留的快速无损检测方法迫在眉睫。本研究采用短波红外高光谱成像技术(SWIR-HSI)开展哈密瓜农药残留鉴别研究。针对不同农药残留类型的哈密瓜光谱数据集,提出一种基于改进型深度卷积生成对抗网络(DCGAN)的数据增强方法以扩充样本量。研究引入最近邻分类器(1-NN)对生成光谱的质量进行评估,以此确定模型的最优训练轮次。通过决策树(DT)、随机森林(RF)及支持向量机(SVM)三种常用分类器,验证了改进型 DCGAN 算法的有效性。结果表明,改进型 DCGAN 可不同程度提升三类分类器的检测性能:决策树、随机森林与支持向量机的准确率分别提升 13.13%、7.50% 和 11.25%;其中支持向量机模型的检测准确率最高,达 93.13%。上述研究结果证实,短波红外高光谱成像技术结合基于改进型深度卷积生成对抗网络的数据增强方法,在哈密瓜农药残留检测领域具有良好的应用前景。
-
使用可解释人工智能预测瑞典春燕麦中脱氧雪腐镰刀菌烯醇污染
查看原文2024
npj Science of Food
中科院一区JCR一区Wang X, Bouzembrak Y, Oude Lansink A. G. J. M. & van der Fels-Klerx H. J
食品标签
杂粮 化学污染物 暴露评估与风险表征计算机标签
随机森林 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据已知天气条件和农艺因素会影响镰刀菌属的生长,并最终影响燕麦中脱氧雪腐镰刀菌烯醇的污染。本研究旨在利用机器学习算法,在瑞典区域基础上开发预测春燕麦收获时DON污染的模型。分别针对农民、作物收集者和食品安全检查员,开发了三种模型作为区域风险评估工具。数据包括:不同燕麦生长期的天气数据、农艺数据、特定地点数据以及前一年的DON污染数据。结果表明:(1)随机森林模型能够预测收获时的DON污染,总体分类准确率至少为0.72;(2)早在6月即可做出良好预测;(3)不同燕麦生长期的降雨量、相对湿度和风速,其次是作物品种和海拔,是预测春燕麦收获时DON污染的最重要特征。
-
结合人工智能生成模型和基于结构的虚拟筛选发现潜在新烟碱类杀虫剂
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Yijin Kong, Cong Zhou, Du Tan, Xiaoyong Xu, Zhong Li, & Jiagao Cheng
食品标签
化学污染物 其他特殊成分计算机标签
循环神经网络 迁移学习/领域自适应 设计/生成与推荐 合成/仿真数据为主识别具有新型骨架的新烟碱类杀虫剂对农药发现具有重要意义。本研究整合基于人工智能的工具和虚拟筛选策略,用于发现潜在新烟碱类杀虫剂先导化合物。研究采用循环神经网络结合迁移学习,成功构建了深度生成模型。模型评价显示,预训练模型能够准确掌握类药分子的 SMILES 语法,并在迁移学习后生成潜在新烟碱类化合物。生成分子经层级虚拟筛选评估后,对命中分子进行相似性搜索,并购买最相似结构开展生物测定。化合物 A2 和 A5 在 100 mg/L 下对豆蚜的致死率分别为 52.5% 和 50.3%。分子对接表明,两种化合物具有与新烟碱类杀虫剂相似的结合模式,进一步分子动力学模拟也验证了这一点。该研究证明,AI 生成模型、迁移学习和结构筛选可协同用于新型农药候选物发现。
-
基于伪孪生网络与无标记拉曼光谱的母乳中混合微量抗生素量化研究:一项可行性研究
查看原文2024
Food Chemistry: X
中科院一区JCR一区Jing-Yi Mou, Muhammad Usman, Jia-Wei Tang, Quan Yuan, Zhang-Wen Ma, Xin-Ru Wen, Zhao Liu & Liang Wang
食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 卷积神经网络 超参优化/自动机器学习 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据哺乳期母亲对抗生素的使用十分普遍。因此,快速测定人乳中微量抗生素对于保障婴儿的健康发育至关重要。在本研究中,我们构建了一个含有残留多西环素(DXC)和/或四环素(TC)的人乳体系。通过无标记表面增强拉曼散射(SERS)光谱,我们应用机器学习模型和聚类算法对单一及混合抗生素的低浓度进行分类和预测。实验结果表明,在最佳超参数组合下,卷积神经网络(CNN)模型的识别准确率达到98.85%。此外,我们采用独立成分分析(ICA)和伪孪生卷积神经网络(pSCNN)对混合人乳样本中各抗生素的比例进行定量分析。将SERS技术与机器学习算法相结合,在快速鉴别和精确定量人乳中低浓度的单一及混合抗生素方面展现出巨大潜力。
-
基于同步荧光光谱的机器学习算法用于食用油中多环芳烃的快速同时定量分析
查看原文2024
Food Control
中科院一区JCR一区Jia-Wen Wei, Jia-Rong He, Shi-Yi Chen, Yi-Han Guo, Xuan-Zhu Huo, Nuan Zheng, Shuo-Hui Cao, & Yao-Qun Li
食品标签
油脂及油脂制品 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 红外/拉曼光谱数据多环芳烃(PAHs)是诱发人类癌症的主要诱因之一。苯并(a)芘(BaP)、苯并(b)荧蒽(BbF)、苯并(a)蒽(BaA)和䓛(Chr)这 4 种典型多环芳烃(PAH4),已被公认为表征食品中多环芳烃存在的合理指示物。本研究以 PAH4 混合体系的恒波长同步荧光光谱(CWSF)作为原始数据集,无需预处理,直接结合反向传播神经网络(BPNN)算法,建立了 PAH4 的定量分析方法。该方法可实现食用油样品中 PAH4 的免预分离浓度检测。苯并(a)芘、苯并(b)荧蒽、苯并(a)蒽和䓛的检出限分别为 0.014、0.068、0.026 和 0.013 微克 / 千克;在不同油脂样品中的加标回收率分别为 99.5±2.1%、101.0±4.6%、98.6±3.2% 和 98.5±4.9%。研究证实,所建立的方法是一种可快速检测 PAH4 的高效手段。