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
-
通过高光谱成像结合时间卷积网络-注意力机制深度学习模型快速预测人参中多种稀有皂苷含量
查看原文2024
Food Control
中科院一区JCR一区Youyou Wang, Siman Wang, Yuwei Yuan, Xiaoyong Li, Ruibin Bai, Xiufu Wan, Tiegui Nan, Jian Yang, & Luqi Huang
食品标签
谷物/块根/豆与坚果类 其他生物活性与健康效应 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质计算机标签
其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱将高光谱成像(HSI)技术与深度学习算法相结合,可为食品及农业副产品的品质评定提供一种高效、快速的技术方案。人参(Panax ginseng C. A. Meyer)是兼具药用价值与营养价值的重要药食同源作物,本研究通过高光谱成像技术测定人参中多种稀有皂苷(RGs)的含量,实现对人参品质的综合评定。结果表明,高光谱成像技术结合时序卷积网络 - 注意力机制(TCNA)深度学习模型,在同步且高效预测六种稀有皂苷(Rh1、Rh2、F1、Rg3、F4、Rk1)含量方面表现最优。尤其是基于特征波长建立的六种稀有皂苷含量检测模型,TCNA 模型的决定系数(R2)均高于 0.890,相对分析偏差(RPD)均大于 3.0,体现出优异的模型性能。同时,特征波长的筛选使 TCNA 模型的检测结果具备更强的可解释性,而六种稀有皂苷含量的同步输出则显著提升了检测效率。高光谱成像技术辅助 TCNA 算法,为多指标品质参数的同步快速检测提供了一套高效方案。本研究所得结果,可为食品与农业领域开发便捷、快速的高光谱成像检测设备提供新的参考,助力实现市场端产品品质的直接、综合检测。
-
基于脂质组学结合粒子群优化-反向传播神经网络的盐池滩羊肉真实性鉴别
查看原文2024
Food Chemistry: X
中科院一区JCR一区Qi Yang,Dequan Zhang,Chongxin Liu,Le Xu,Shaobo Li,Xiaochun Zheng & Li Chen
食品标签
畜肉 食品安全与风险评估 特征风味 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 智能手机/其他 分类/鉴别/等级评定 时序传感器/物联网数据 组学数据本研究成功将广泛靶向脂质组学与基于粒子群算法优化的反向传播(BP)神经网络相结合,用于鉴别盐池滩羊的真伪。研究采用电子鼻和气相色谱-嗅觉测定-质谱联用(GC-O-MS)技术,探究了不同地区滩羊的风味差异。在已鉴定的17种挥发性化合物中,有16种存在显著的地区差异(p < 0.05)。脂质组学在41个脂质类别中鉴定出1080种分子,其中包括肉碱15:0、肉碱17:1和肉碱G8:1-OH在内的11种脂质可作为盐池滩羊的潜在标志物。此外,研究还采用逐步线性判别模型和三种反向传播神经网络对滩羊的产地进行鉴定。结果显示,粒子群优化-反向传播(PSO-BP)神经网络的预测效果最佳,其训练集和测试集的预测准确率均达到100%。所建立的PSO-BP模型能够有效区分盐池滩羊和非盐池滩羊。这些结果为盐池滩羊的鉴别提供了全面视角,并增进了人们对滩羊风味和脂质组成与产地关系的理解。
-
风味工程:生物基础、人工智能整合、工业发展与社会文化动态的综合综述
查看原文2024
Food Research International
中科院一区JCR一区L.P. Queiroz, I.B.R. Nogueira & A.M. Ribeiro
食品标签
感官评价与方法学 标准/法规/数据库分析计算机标签
机器学习/统计学习这篇前沿综述全面探讨了风味开发,涵盖了生物学基础、分析方法和其社会文化影响。它整合了工业视角并审视了人工智能(AI)在风味科学中的作用。综述从风味的生物复杂性入手,深入探讨了植根于感官体验的味觉、香气和质地的相互作用。数学建模和分析技术的进步为跨学科合作和技术创新开辟了途径,应对了风味感知的个体和文化差异。风味的影响超越了味觉体验,波及经济、社会、营养、健康和技术创新。这种综合理解加深了对文化景观中嗅觉与风味元素间动态相互作用的认识,强调了感官体验如何交织在人类文化和遗产之中。食品风味分析的发展,涵盖了感官分析、仪器分析、两者结合以及人工智能技术的整合,标志着该领域的动态进展,预示着风味产业在精度、效率和创新方面的前景广阔。本综述通过元数据分析方法,收集了风味工程及相关领域的文章和书籍章节,分析数据提取自Scopus、Web of Science和ScienceDirect等主要在线数据库。
-
通过机器学习桥接气味分子与嗅觉感知:综述
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Risheng Zhong, Zongliang Ji, Shuqi Wang & Haitao Chen
食品标签
感官科学与消费者研究 特征风味 感官评价与方法学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析背景:在人类嗅觉感知(OP)和气味分子化学(OC)领域,已经积累了大量的数据,并致力于构建经验上有效且适用的模型。机器学习(ML)非常擅长处理大量数据并生成复杂模型。最近,人们对利用ML来弥合OC与OP之间差距的潜力产生了浓厚兴趣。
范围与方法:本综述简要讨论了ML在OC场景中的应用,并概述了最常用的模型。它重点介绍了所选择的输入信息,从数据可变性的角度概述了ML在OC中的应用。
主要发现与结论:虽然基于标准化数据的预测模型在气味定量方面很有价值,但它们在混合化合物中的应用有限。分子结构图和空间属性的引入扩展了气味空间,而基于仪器采集数据生成的模型主要用于区分气味类型。气味描述通常被直接用于影响模型生成,但具有主观性和海量性,需要经过解释过程。同时,客观数据无法提供对气味的全面描述。本文展望了气味预测的未来,提供了对该领域发展动态的见解。预计未来将利用ML来促进对气味分子和人类嗅觉感官机制更深入的理解,从而为该领域做出宝贵贡献。 -
基于机器学习的高光谱成像无损验证绿咖啡豆的洲际、国家和区域来源
查看原文2024
Food Control
中科院一区JCR一区Joy Sim, Yash Dixit, Cushla Mcgoverin, Indrawati Oey, Russell Frew, Marlon M. Reis, & Biniam Kebede
食品标签
豆类与坚果(及籽类) 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
偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱咖啡是产地溯源欺诈的高发目标产品,因此亟需更快速、经济且可持续的溯源技术方案。本研究首次探究近红外高光谱成像技术(HSI-NIR)结合先进机器学习模型在咖啡产地快速无损分类中的应用潜力,研究目标包括两方面:(1)明确近红外高光谱成像技术在不同产地尺度(洲际、国家、产区)下的分类灵敏度;(2)筛选具有判别意义的特征波长区间。实验采集三大洲、八个国家及 22 个产区的生咖啡豆样品,对其开展近红外高光谱成像分析,并对比偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、径向基函数支持向量机(RBF-SVM)及随机森林(Random Forest)四种机器学习模型的分类性能。结果显示,线性支持向量机模型在洲际、国家及产区三个尺度上均实现近乎精准的分类,同时还具备特征筛选的应用优势。本研究证实,近红外高光谱成像技术结合机器学习方法,可实现咖啡产地的快速无损筛查,且无需对样品进行前处理。