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
-
基于数学模型、干燥动力学和机器学习的开放式太阳干燥操作预测
查看原文2024
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Hao Wengang, Wang Xiyu, Ma Jiajie, Gong Ping & Wang Lei
食品标签
其他根茎类 干燥保藏 过程优化与控制策略 常规理化指标测定 动力学建模计算机标签
机器学习/统计学习 定量预测/回归分析为了确定干燥物料的水分比是否满足储存要求,在开放式太阳干燥过程中,找到一个准确且便捷的预测方法至关重要。因此,本研究采用并比较了数学模型、干燥动力学模型和机器学习方法。首次应用机器学习方法来预测红薯在开放式太阳干燥过程中的水分比变化。为进行理论分析,在开放式太阳干燥条件下进行了大量的红薯干燥实验。结果表明,在不同干燥气候条件下,红薯的干燥动力学模型也有所不同。建立并验证了红薯的传热传质模型,其R2为0.8990,RMSE为0.0826。基于统计指标选择了不同的最优机器学习预测方法。最终,在预测水分比方面,机器学习预测方法被认为优于数学模型和干燥动力学模型。本研究结果可类推应用于未来其他农产品的干燥过程控制。
-
基于傅里叶变换红外光谱与机器学习方法的啤酒挥发性化合物鉴别与定量
查看原文2024
Food Chemistry: X
中科院一区JCR一区Yi-Fang Gao, Xiao-Yan Li, Qin-Ling Wang, Zhong-Han Li, Shi-Xin Chi, Yan Dong, Ling Guo & Ying-Hua Zhang
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据啤酒中挥发性化合物的组成对啤酒品质至关重要。本文采用气相色谱-质谱联用(GC-MS)技术,在9种不同类型的啤酒中鉴定出23种挥发性化合物,即12种酯类、4种醇类、5种酸类和2种酚类。通过对风味化合物数据进行主成分分析(PCA),可以很好地区分不同类型的啤酒。己酸乙酯、辛酸乙酯和苯乙醇被确定为区分不同啤酒的关键挥发性化合物。基于傅里叶变换红外光谱(FTIR)的特征波长,采用偏最小二乘回归分析对啤酒样品中6种关键挥发性化合物的含量进行建模和预测。预测模型中每个样品的决定系数(R²)为0.9398–0.9994,预测均方根误差(RMSEP)为0.0122–0.7011。本文提出的方法已应用于啤酒样品中风味化合物的测定,与气相色谱-质谱联用(GC-MS)方法相比具有良好的一致性。
-
贮藏期“布瑞本”苹果果心褐变和果实硬度的预测:多变量时间序列分类
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Lukas Munser, Roy McCormick, Grigory Devadze, Nils Siefen, Stefan Streif & Konni Biegert
食品标签
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 K-近邻 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据 大规模数据集采后生理性病害影响许多商品化苹果品种,导致经济损失并增加食物浪费。通常,针对诸如‘Braeburn’内部褐变(尤其是德国西南部最为普遍的核心褐变)等病害的可靠预测方法尚不存在。对病因的理解仍然不足,但症状发展在不同果园间差异显著。本研究描述了一种结合建模与机器学习的方法,将采前环境、果树和管理因素与采后贮藏结果相关联,以预测内部褐变和果实硬度。研究于2016年至2023年七个生长季期间,从位于德国西南部果园的‘Braeburn’苹果上收集了非破坏性光谱时间序列数据。这些数据被用作参考测量值,构建了一个基于天气的模型,以生成采前生长和发育期间四种果实品质参数(叶绿素、花青素、可溶性固形物和干物质含量)变化的多元时间序列。随后,该多元时间序列被用作基于动态时间规整(DTW)的k近邻(kNN)分类器的输入。数据集包含1729个对象,该分类器分别针对内部褐变和硬度显示出可靠且良好的交叉验证预测结果。经过DTW和降维映射后,二维聚类分析显示每个生长季在多维空间中清晰分离。然而,单季学习无法推广到其他季节。褐变簇间的多维距离与采前50天内光谱扫描数据的平均变化率相关。高褐变的果批显示出更高的平均累积变化。
-
通过深度学习辅助的FTIR指纹图谱对牛肝菌的鉴定和粗蛋白预测
查看原文2024
LWT
中科院一区JCR一区Chuanmao Zheng, Honggao Liu, Jieqing Li, & Yuanzhong Wang
食品标签
食用菌菇 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
卷积神经网络 循环神经网络 偏最小二乘法 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/拉曼光谱数据野生食用蘑菇是天然、绿色和可持续的食品,其采后安全和质量控制的关键在于物种识别、产地可追溯性和质量评估。本研究分析了基于傅里叶变换红外光谱(FTIR)和二维相关光谱(2DCOS)的残差卷积神经网络(ResNet)模型与偏最小二乘判别分析(PLS-DA)模型在牛肝菌物种及产地识别上的有效性。同时探讨了偏最小二乘回归(PLSR)模型和长短期记忆网络(LSTM)模型对牛肝菌粗蛋白含量预测的可行性。结果显示,ResNet模型优于PLS-DA模型,新样品的预测结果分别为1.00和0.98,预测准确率分别为1.00和0.92。在估算粗蛋白含量方面,LSTM模型比PLSR模型更有效。其中,使用一阶导数-多重散射校正-萨维茨基-戈莱(1D-MSC-SG)预处理组合的LSTM模型是最佳的,预测集RPD = 2.7,显著性 Sig. = 0.418。此外,顺序投影算法(SPA)特征提取提高了LSTM模型的预测能力,其残差预测偏差(RPD)为2.9,显著性 Sig. = 0.627。本研究为市场上食用菌及其他食品的质量评价提供了新的参考。
-
面向未来食品的AI基增材制造:潜在应用、挑战与可能解决方案
查看原文2024
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Qi Yu, Min Zhang, Arun S. Mujumdar & Jingyuan Li
食品标签
加工与新加工技术 营养与生物功能计算机标签
设计/生成与推荐食品增材制造技术的快速发展为生产创新、高质量、个性化的食品提供了选择。人工智能有助于收集、处理和分析食品增材制造过程中的大量数据,并智能管理打印过程,以确保打印食品的个性化、高质量和安全性。本文综述并总结了基于人工智能的食品增材制造技术在食品中的潜在应用、预期挑战及潜在解决方案。人工智能对增材制造的预处理、加工和后处理均有很大帮助。它还能指导打印模型的设计、智能材料的选择、打印过程的控制以及打印食品可能的4D变化。基于人工智能的食品增材制造有望提高食品生产效率和质量,促进食品个性化和营养均衡,推动食品行业转型,并为消费者提供更健康、可持续的食品选择。