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 2456 条结果
-
利用机器学习预测环境条件与海水及牡蛎中弧菌浓度的关系
查看原文
2024
Food Research International
中科院一区JCR一区
Shuyi Feng, Shraddha Karanth, Esam Almuhaideb, Salina Parveen & Abani K. Pradhan
食品标签
软体与贝类 食品安全与风险评估计算机标签
深度学习 支持向量机 随机森林 K-近邻 梯度提升决策树 定量预测/回归分析副溶血弧菌和创伤弧菌是对公众健康有重大影响的细菌。识别影响它们在食品源中存在和浓度的因素，有助于确定重要的风险因素并预防食源性疾病的发生。近年来，机器学习在基于主要外部和内部变量（如环境变量和基因存在/缺失）模拟微生物存在方面显示出潜力，特别是在大量和多样化数据来源产生和可用的背景下。此类分析可用于预测食品系统中微生物的行为，尤其是在环境变量持续变化的影响下。在本研究中，我们测试了六种机器学习回归模型（随机森林、支持向量机、弹性网络、神经网络、K最近邻和极端梯度提升）在预测环境变量与海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌、总创伤弧菌和致病性创伤弧菌浓度之间关系方面的有效性。总体而言，使用我们的机器学习模型分析时，环境变量被证明是海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌和创伤弧菌浓度的可靠预测因子（对于海水中的总副溶血弧菌、致病性副溶血弧菌以及牡蛎中的致病性副溶血弧菌，其可接受预测区>70%）。用于识别影响弧菌浓度变量的SHapley Additive exPlanations方法，确定了叶绿素a含量、海水盐度、海水温度和浊度为有影响力的变量。需要指出的是，不同菌株受同一环境变量的影响不同，这表明需要进一步研究这些变异的原因和潜在机制。总之，环境变量可能是海鲜中弧菌生长和行为的重要预测因子。此外，本研究开发的模型对于评估和管理与副溶血弧菌和创伤弧菌相关的风险，尤其是在环境变化的背景下，可能具有不可估量的价值。
-
化学计量学方法、感官评估和智能感官技术结合基于GAN的集成深度学习框架，用于区分盐雁品种
查看原文
2024
Food Chemistry
中科院一区JCR一区
Che Shen, Ran Wang, Qi Jin, Xingyong Chen, Kezhou Cai, & Baocai Xu
食品标签
禽肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 时序传感器/物联网数据腌制鹅肉产品的真实性对消费者来说是一个令人担忧的问题。本研究描述了一个基于生成对抗网络的综合深度学习框架，并将其与来自顶空固相微萃取/气相色谱-质谱、顶空气相色谱-离子迁移谱、电子鼻、电子舌、定量描述分析以及游离氨基酸和 5' - 核苷酸分析的数据相结合，以实现对四种腌制鹅品种的可靠区分。挥发性化合物、非挥发性化合物、感官特性和智能感官特性均进行了分析。在 InfoGAN 中生成了一个初步的综合数据集，并将其提供给几个基础分类器进行训练。通过动态加权融合预测结果，生成了一个综合模型预测。一项消融研究表明，集成学习对于提高模型的泛化能力是必不可少的。该框架的准确率为 95%，均方根误差（RMSE）为 0.080，精确率为 0.9450，召回率为 0.9470，F1 分数为 0.9460。
-
机器学习预测食品加工程度
查看原文
2024
Nature Communications
中科院一区JCR一区
Marialaura Di Tella, Simone Rinaldi, Tullia Tedeschi, Letizia Bresciani, Verniou Aristea, Praticò Giulia, Furio Brighenti, Filippo Capuano, Francesca Scazzina & Daniele Del Rio
食品标签
过程控制与数字化 传统统计分析与回归 常量营养素（宏量）计算机标签
机器学习/统计学习 分类/鉴别/等级评定NOVA 分类系统是根据食品的加工程度和加工目的对食品进行分类的体系，它是用于探究超加工食品（UPF）的消费与健康结果之间关联的最广泛使用的工具。然而，其应用需要成分表，而这些成分表在食品成分数据库中往往缺失，在大规模流行病学研究中也难以获取。在此，我们开发了一种机器学习算法（食品加工指数，FPI），该算法仅使用 25 种营养成分作为输入特征，训练用于根据 NOVA 系统对食品进行分类（具体区分 NOVA 1 类，即未加工/轻度加工食品，以及 NOVA 4 类，即超加工食品）。FPI 在两个独立的数据集中的手动 NOVA 分类中表现出高度一致性，并能有效地预测食品的加工水平，从而有助于大规模的营养研究。
-
基于UPLC-QTOF-MS^E的代谢组学和化学计量学研究火龙果加工过程
查看原文
2024
Food Research International
中科院一区JCR一区
Glauber Batista Moreira Santos, Fernando Antônio Pinto de Abreu, Gisele Silvestre da Silva, Jhonyson Arruda Carvalho Guedes, Sandra Machado Lira, Ana Paula Dionísio, Dorasilvia Ferreira Pontes & Guilherme Julião Zocolo
食品标签
新鲜水果 加工与新加工技术 品质、结构与理化性质 光谱/色谱/质谱等分析方法 代谢组学 维生素 其他植物化学物质计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 组学数据对火龙果（Hylocerus polyritaus [F.A.C. Weber] Britton & Rose，仙人掌科）的研究通常源于其有益健康的特性和美学价值。然而，获取火龙果果肉的加工过程是首要且关键的一步，能为该水果后续作为色素等用途提供信息。因此，本研究首次评估了制浆过程对火龙果非挥发性化合物代谢组学和化学计量学特征的影响。使用UPLC-QTOF-MS^E技术和多元统计模型（PCA和OPLS-DA）分析了以下处理的代谢指纹差异：处理A（去皮火龙果，制浆时不添加抗坏血酸）；处理B（带皮火龙果，制浆时添加抗坏血酸）；以及对照（带皮火龙果，制浆时不添加抗坏血酸）。在代谢组学分析方面，UPLC-QTOF-MS^E被证明是一种可同时测定35种火龙果非挥发性代谢物的高效方法，包括异鼠李素葡萄糖基鼠李糖苷异构体、叶仙人掌素异构体、2'-O-芹菜糖基-叶仙人掌素和4'-O-丙二酰-甜菜苷。此外，化学计量学分析有效区分了各处理应用的代谢化合物，并表明在制浆过程中使用带皮火龙果并添加抗坏血酸，由于能保存或形成如甜菜红素衍生物等化合物，且具有更高的得率，从而呈现出有吸引力的化学特征，这对食品工业是理想的。
-
基于生物阻抗与监督式机器学习方法的马铃薯干物质含量及品种预测
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Ciro Allara, Roberto Moscetti, Giacomo Bedini, Manuela Ciocca, Alessandro Benelli, Paolo Lugli, Luisa Petti & Pietro Ibba
食品标签
马铃薯 其他品质相关性质 其他理化与结构表征计算机标签
其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析本研究探讨了生物阻抗测量及其衍生参数作为马铃薯干物质含量和品种的潜在指标。我们通过组织切片的破坏性测试，研究了生物阻抗如何与马铃薯的干物质组成相关联。利用机器学习方法，我们识别出有助于预测干物质含量（使用回归模型）和区分马铃薯品种（使用分类模型）的模式和关联。具体而言，评估了四种特征选择方法（相关性矩阵、最小冗余最大相关性、邻域成分分析和t检验），并与包含所有特征的基线进行了比较。研究发现，用于干物质预测的最佳回归模型是采用t检验特征的神经网络回归模型，其在测试中达到了R²为0.62、RMSE为2.3%的效果；而用于马铃薯品种分类的最佳模型是采用相关性矩阵特征的神经网络分类模型，其F1分数达到了0.92。
