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HS-GC-IMS与深度学习结合的藏红花不同产地表征与真伪鉴别
查看原文2024
Food Chemistry: X
中科院一区JCR一区Yingjie Lu, Chi Zhang, Kunmiao Feng, Jie Luan, Yuqi Cao, Khalid Rahman, Jianbo Ba, Ting Han & Juan Su
食品标签
香精香料 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
卷积神经网络 分类/鉴别/等级评定 组学数据随着藏红花需求的不断增长,规范其产地确认并识别任何掺假情况,对于维持市场上以质量为导向的产品至关重要。然而,目前仍缺乏一种快速且可靠的藏红花掺假识别策略。在此,我们开发了一种顶空-气相色谱-离子迁移谱(HS-GC-IMS)与卷积神经网络(CNN)相结合的方法。该方法可快速直接地检测出69种挥发性化合物(VOCs),其中包括7组异构体。我们提出了一种基于GC-IMS数据的CNN预测模型。凭借最少的数据预处理和自动特征提取能力的优势,GC-IMS图像可直接输入到CNN模型中。产地预测结果的平均准确率约为90%,高于主成分分析(PCA,61%)和支持向量机(SVM,71%)等传统方法。所建立的CNN在识别假冒藏红花方面也表现出98%的高准确率,可用于藏红花的真伪鉴别。
-
利用高光谱成像预测真空冷冻干燥过程中双孢菇切片的水分含量
查看原文2024
Food Control
中科院一区JCR一区Shiqi Bai, Kunpeng Xiao, Qiang Liu, Alfred Mugambi Mariga, Wenjian Yang, Yong Fang, Qiuhui Hu, Haiyan Gao, Hangjun Chen, & Fei Pei
食品标签
食用菌菇 品质、结构与理化性质 非热加工技术 理化与结构表征 光谱/色谱/质谱等分析方法计算机标签
支持向量机 定量预测/回归分析 高光谱/多光谱光谱含水率(MC)是评估双孢蘑菇冷冻干燥(FD)程度的关键指标。本研究提出一种新型检测方法,通过高光谱成像(HSI)系统结合多种光谱预处理方法与建模算法,实现冷冻干燥过程中双孢蘑菇含水率的快速、可视化检测。该方法以全波段平均光谱数据为基础,采用支持向量机(SVM)算法构建光谱信息与含水率这一物理指标间的定量关联函数。研究中同时引入稳定性竞争性自适应重加权采样法(SCARS)筛选与含水率高度相关的特征波长,并利用多元散射校正(MSC)提升模型的精度与稳健性。最终确定SCARS-MSC-SVM为最优模型,其校正决定系数(R c2)、预测决定系数(R p2)、预测均方根误差(RMSEP)及残差预测偏差(RPD)分别为 0.9281、0.9025、0.8026 和 2.08。此外,本研究通过生成伪彩色图谱,直观呈现冷冻干燥过程中双孢蘑菇的颜色变化特征,以及含水率从菌菇边缘向菌核中心逐步降低的动态分布规律,从而实现对干燥进程的实时监测。研究结果证实,高光谱成像技术具备快速、精准、无损且可视化表征冷冻干燥过程中双孢蘑菇含水率的应用潜力。
-
利用高光谱图像分析对腌制白菜的定性特征进行非破坏性监测
查看原文2024
LWT
中科院一区JCR一区Ji-Young Choi, Minjung Lee, Da Uhm Lee, Jeong Hee Choi, Mi-Ai Lee, Sung Gi Min, & Sung Hee Park
食品标签
蔬菜发酵制品 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
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 高光谱/多光谱光谱评估了使用可见-近红外(VIS-NIR)和短波红外(SWIR)高光谱成像(HSI)在腌制过程中测定盐渍白菜的盐分、可溶性固形物和水分含量的可行性。在不同盐浓度和腌制时间下获取的白菜高光谱图像被用于开发定性属性的预测和判别模型。主成分分析显示,根据白菜的光谱特性可以进行分组,并基于载荷图中选择的关键波长尝试进行数据降维以开发最佳模型。用于预测盐分和可溶性固形物的最佳偏最小二乘回归模型在VIS-NIR和SWIR区域分别获得了R²p值超过0.86和0.90的最佳性能。盐度水平的最佳PLS-DA模型的准确性和特异性已将效率提高到0.93以上。使用PCA模型对高光谱图像中每个像素的光谱信息进行可视化,显示了在不同盐渍条件下的泡菜卷心菜的盐度水平。预测模型的准确性足以将高光谱成像(HSI)视为控制和优化盐渍过程的有用工具。
-
化学成像用于测定普洱茶渥堆发酵过程中品质成分的分布
查看原文2024
Food Control
中科院一区JCR一区Tiehan Li, Chengye Lu, Yuming Wei, Jixin Zhang, Aiju Shao, Luqing Li, Yujie Wang, & Jingming Ning
食品标签
茶/茶饮料 品质、结构与理化性质 其他加工技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 其他植物化学物质计算机标签
支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱渥堆发酵是普洱茶品质形成的关键工序;然而,传统渥堆发酵工艺制约了普洱茶的数字化、智能化生产。为构建普洱茶渥堆发酵程度的定性与定量预测模型,本研究采用高光谱成像技术结合化学计量学分析方法开展相关研究。基于最小二乘支持向量机所建立的定性模型,可实现对渥堆发酵程度的高效判别,判别准确率达 98.63%。此外,直接利用原始光谱数据对影响品质的关键组分 —— 总儿茶素、游离氨基酸及叶绿素 a 进行定量分析,所得预测残差分别为 11.26、4.34 和 3.89。本研究通过化学成像技术绘制出上述组分在渥堆发酵过程中的空间分布图谱,并确定:当模型预测的总儿茶素、游离氨基酸及叶绿素 a 含量分别低于 0.48、11.21 和 1.29 mg/g 时,即可判定渥堆发酵达到终点。研究结果为普洱茶的数字化加工提供了理论依据。
-
pLM4Alg:基于蛋白质语言模型的过敏原蛋白和肽预测器
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Zhenjiao Du, Yixiang Xu, Changqi Liu, & Yonghui Li
食品标签
过敏原与毒性问题 暴露评估与风险表征 标准/法规/数据库分析 蛋白质与氨基酸计算机标签
卷积神经网络 其他深度学习结构 定量预测/回归分析过敏患病率上升要求开发高效、准确的生物信息学工具,以加快过敏原识别和风险评估,同时减少湿实验成本和时间。近年来,预训练蛋白质语言模型已成功用于预测蛋白质结构和功能,但此前尚未用于过敏原蛋白/肽预测。本研究使用五种不同规模的蛋白质语言模型,并通过与卷积神经网络微调结合,开发稳健的过敏原蛋白/肽预测模型,并系统评估其性能。所开发的 pLM4Alg 模型达到当前先进水平,准确率、Matthews 相关系数和曲线下面积分别为 93.4%-95.1%、0.869-0.902 和 0.981-0.990。此外,pLM4Alg 是首个能够处理残基缺失序列以及含非标准氨基酸残基序列预测任务的模型。研究还建立了用户友好的网络服务器,便于访问。pLM4Alg 有望成为基于机器学习的过敏肽和过敏蛋白预测领先模型,并可与其他预测器协同加速过敏研究。