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
-
基于计算机视觉与深度学习的食品营养素检测方法:新视角与进展
查看原文2024
Trends in Food Science & Technology
中科院一区JCR一区Sushant Kaushal, Dushyanth Kumar Tammineni, Priya Rana, Minaxi Sharma, Kandi Sridhar, Ho-Hsien Chen
食品标签
谷物/块根/豆与坚果类 肉类/蛋类与水产品 水果/蔬菜与菌菇类/植物类 品质、结构与理化性质 营养与生物功能计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据背景:营养在维持人类健康方面起着至关重要的作用。用于评估食品成分和营养含量的传统方法通常需要破坏性样品制备,耗时且成本高。因此,基于计算机视觉的方法已成为有前景的替代方案,能够实现对食品中各种营养参数的快速、无损分析。
范围与方法:本综述总结了计算机视觉在肉类加工、谷物、水果蔬菜和海产品中的应用。我们回顾了用于食品识别和营养估计的计算机视觉和深度学习算法的最新进展,并对现有的食品识别和营养估计数据集进行了综述。
主要发现与结论:传统方法存在一定局限性,而基于视觉的技术能提供快速、无损的食品成分与营养含量分析。计算机视觉和深度神经网络架构为食品营养素测量提供了显著准确性。总之,基于深度学习的模型正在为营养与健康优化研究铺平道路,迈向充满前景的未来。未来,视觉技术有望通过实现更快速、经济、准确的营养分析,从而改变食品分类与检测方式。因此,计算机视觉正发展成为一种在不破坏样品的情况下快速、精确评估食品营养素的有用工具。 -
BitterMasS:基于质谱预测苦味
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Evgenii Ziaikin, Edisson Tello, Devin G. Peterson, & Masha Y. Niv
食品标签
特征风味 过程监测与在线检测 光谱/色谱/质谱等分析方法 代谢组学计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据 组学数据苦味化合物广泛存在于自然界和药物中。此前已有机器学习工具可根据化学结构预测苦味,但已知结构估计仅代表代谢组的 5%-10%,其余部分仍未注释或属于“暗”代谢组。本文提出 BitterMasS,一种基于 5414 个苦味和非苦味化合物实验质谱训练的随机森林分类器,在内部测试集中达到 0.83 的精确率和 0.90 的召回率。随后,模型在从文献中新提取的 106 个苦味和非苦味化合物质谱以及额外测定的 26 个化合物质谱上进行外部测试。结果显示,BitterMasS 在第一组外部测试中精确率为 67%、召回率为 93%,在第二组中准确率为 58%、召回率为 99%。直接基于质谱预测苦味的策略优于“质谱-结构-苦味”预测策略,并覆盖更多化合物。这些结果表明,BitterMasS 可在无需对单个分子进行结构注释的情况下预测代谢组中的苦味化合物,有助于从代谢组学分析中识别苦味物质、比较不同样品处理产生的潜在苦味水平,并监测苦味随时间的变化。
-
将人工智能与实证研究结合——3D打印食品技术的一个案例
查看原文2024
Food Quality and Preference
中科院一区JCR一区Clare D’Souza, Achini Adkari, & Damminda Alahakoon
食品标签
其他加工设备与系统 感官科学与消费者研究 问卷/市场与消费者研究 其他方法计算机标签
大模型与 LLM 分类/鉴别/等级评定 文本/知识库/法规数据3D 打印食品在消费者中的认知度仍然较为有限,这限制了他们做出明智选择的能力,并可能掩盖了这一市场更广泛的实际情况。本研究旨在探究影响消费者对 3D 食品的认知、动机和消费意愿的因素。借助人工智能逻辑,我们关注消费者对 3D 打印食品偏好的看法和感受,并基于两项调查的实证数据进行分析。
情感分析的结果表明,知识水平在形成消费者的积极和消极情感方面都至关重要。调查 1 考察了对 3D 打印食品的积极情绪、消极情绪和行为意愿的差异,同时考虑了知识充分程度的广泛和有限情况。这项研究采用了知识态度行为理论模型。调查 2 通过主题识别来确定关系,并应用趋近-回避动机理论来辨别与健康选择之间的联系。对 3D 打印食品的动机(趋近/回避)对健康食品选择都有积极且显著的影响。虽然动机(规避)对对新食物的抗拒程度有着积极且显著的影响,但对 3D 食物的动机(接近)却未得到证实。这些发现表明了诸如接近和规避等动机倾向在塑造与健康饮食及对创新食品概念的接受度相关的决策方面的重要性。
这项研究为研究人员和从业者提供了深入了解 3D 打印食品市场中的食品开发和消费者趋势的机会。仅仅依靠用户生成的内容来得出结论可能是不够的。还需要更多的研究方法和数据来源来全面理解行为和食物偏好。 -
人工智能在茶叶检测中的进展:策略、进步与未来展望
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Qilin Xu, Yifeng Zhou & Linlin Wu
食品标签
茶/茶饮料 品质、结构与理化性质 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
机器学习/统计学习 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据背景:茶叶是发展中国家的关键经济作物,对农村发展、减贫和粮食安全至关重要。茶叶消费因其抗炎和抗氧化特性而有益健康。实现从茶园到茶杯的茶价值链可持续发展是全人类的共同目标。人工智能算法与新兴技术相结合,可提高茶叶质量检测的效率和准确性,从而促进茶产业健康可持续发展。
范围与方法:本文综述了人工智能中常见的机器学习和深度学习算法,概述了它们的优势和局限性。重点介绍了在人工智能算法辅助下,应用传感器技术和光谱技术高效检测茶叶质量。最后,总结了人工智能算法在茶叶安全检测和分类方面的进展,并讨论了传感器技术、光谱技术以及人工智能在茶叶质量检测中面临的挑战与未来展望。
主要发现与结论:人工智能算法高效的模式识别能力及对新数据的快速适应性,推动了数据驱动的决策制定和技术发展的创新。尽管在人工智能辅助的传感器和光谱技术用于茶叶及食品质量安全检测方面已取得显著成就,但仍存在巨大的发展潜力。将人工智能与各种新兴技术相结合,能够为茶叶质量安全检测提供更全面、更深入的支持,从而保障公众健康与安全。 -
食品标签
畜肉 品质、结构与理化性质 显微与成像技术计算机标签
深度学习 循环神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据牛肉是人类饮食中重要的一种食品。对这种食品的质量和安全性的评估是一个需要关注的问题。通过图像处理方法对牛肉质量进行无损测定在食品安全方面显示出巨大的潜力,因为它有助于防止浪费。传统上,通过图像处理方法对牛肉质量的测定是基于手工制作的颜色特征。然而,仅基于颜色空间模型很难确定肉的质量。本研究介绍了一种有效的牛肉质量分类方法,该方法将基于学习的全局特征和手工制作的颜色特征进行串联。根据实验结果,convVGG16 + HLS + HSV + RGB + Bi-LSTM 模型取得了很高的性能值。该模型的准确率、精确率、召回率、F1 分数、AUC、杰卡德指数和 MCC 值分别为 0.989、0.990、0.989、0.990、0.992、0.979 和 0.983。