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 167 条结果
-
利用高光谱成像结合优化算法快速评估滩羊肉质构参数
查看原文2022
Food Control
中科院一区JCR一区Jingjing Zhang, Yonghui Ma, Guishan Liu, Naiyun Fan, Yue Li, & Yourui Sun
食品标签
畜肉 品质、结构与理化性质 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 定量预测/回归分析 高光谱/多光谱光谱肉品质构检测具有重要应用价值,因其是影响消费者购买决策的关键因素。本研究采用高光谱成像技术(HSI) 测定滩羊肉的质构参数。为探究不同冷藏时长对羊肉光谱数据及建模效果的影响,实验采集了滩羊肉样本在900~1700 nm 波段范围内的高光谱图像,并构建滩羊肉质构参数的校正模型。研究基于四种特征波段筛选算法 —— 区间变量迭代空间收缩法(iVISSA)、竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)及变量组合种群分析法(VCPA)筛选特征波长,结合偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)、随机森林(RF)和决策树(DT)四种机器学习算法,建立光谱预测模型。结果显示,LSSVM-iVISSA-CARS 组合模型在硬度与胶着度预测中表现优异,其预测集均方根误差(RMSEP)分别为 5.259 和 3.051,预测集决定系数(Rp2)则分别达 0.986 和 0.984;LSSVM-iVISSA-SPA 组合模型在咀嚼度预测中同样效果显著,对应的Rp2为 0.987,RMSEP 为 4.970。综上,高光谱成像技术具备滩羊肉质构参数检测与预测的应用潜力。
-
基于LC-MS/MS结合OPLS-DA筛选牛肉特异性定量肽段
查看原文2022
Food Chemistry
中科院一区JCR一区Chaodi Kang, Yingying Zhang, Mingyue Zhang, Jing Qi, Wentao Zhao, Jin Gu, Wenping Guo & Yingying Li
食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 分类/鉴别/等级评定本研究基于液相色谱 - 串联质谱法(LC–MS/MS)结合正交偏最小二乘判别分析(OPLS-DA),建立了一种快速、简便、高效的牛肉特异性定量多肽筛选分析方法。通过构建 OPLS-DA 模型,筛选对分类具有显著贡献的物种特异性多肽。基于投影重要性变量(VIP)值和单变量 P 值,筛选具有统计学意义的多肽;经完整统计分析流程后,利用不同牛肉含量的自制样品,确定出3 条特异性定量多肽。以此为基础,采用 LC–MS/MS 建立目标特异性定量多肽的检测方法,并将定量结果应用于市售牛肉制品的真伪鉴定。所建方法具有高灵敏度、高特异性和良好重现性,研究结果证实:LC–MS/MS 联用 OPLS-DA 可高效筛选肉类特异性定量多肽,是鉴别肉制品真伪的有效手段。
-
使用高光谱图像结合递归图和卷积神经网络对新鲜和冻融掺假羊肉末进行掺假鉴别与分析
查看原文2022
Meat Science
中科院一区JCR一区Yaoxin Zhang, Minchong Zheng, Rongguang Zhu & Rong Ma
食品标签
畜肉 食品安全与风险评估 显微与成像技术 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 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集本文提出了一种利用光谱变换递归图结合卷积神经网络检测掺假羊肉的方法。为此,准备了100个掺入不同比例(0.5%、1%、2%、5%和10% w/w)猪肉的羊肉掺假样本和20个纯羊肉样本。该方法建立的掺假羊肉分类模型和猪肉含量定量预测模型在新鲜、冻融和混合数据集上的结果具有可比性。结果显示,掺假羊肉在三个数据集上的分类准确率分别为100.00%、100.00%和99.95%。此外,对于掺假羊肉中猪肉含量的预测,新鲜、冻融和混合样本三个数据集的R2分别为0.9762、0.9807和0.9479。因此,本文提出的高光谱结合RP-CNN方法在掺假羊肉的分类和掺假羊肉中猪肉含量的预测方面显示出巨大潜力。
-
罗马尼亚猪肉的同位素与元素特征结合先进化学计量学方法的初步探索研究
查看原文2022
Meat Science
中科院一区JCR一区Gabriela Cristea, Cezara Voica, Ioana Feher, Romulus Puscas & Diana Alina Magdas
食品标签
畜肉 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
主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 质构/流变/感官数据本研究采用同位素比率质谱法(δ2H、δ18O、δ13C)和电感耦合等离子体质谱法(55种元素)对93份猪里脊肉样品进行分析。这些猪肉样品来自罗马尼亚及其他国家,其中罗马尼亚本土样品分别取自规模化养殖场和庭院散养体系。结合线性判别分析(LDA)与人工神经网络(ANNs)对检测结果进行分析,用以判定猪肉的地理来源与饲养日粮。能够有效区分猪肉地理来源的标志物为δ18O、铽和锡。化学计量模型结果显示,δ13C、铷浓度以及部分稀土元素(镧、铈)可有效判别饲养日粮,初始分类准确率为97.8%,交叉验证准确率为94.6%。利用线性判别分析筛选出的部分日粮判别指标,同样也是人工神经网络模型中判别玉米型日粮的最佳标志物(δ13C、铷、镧)。
-
结合计算机视觉评分与传统肉质性状利用机器学习估算猪肌内脂肪含量
查看原文2022
Meat Science
中科院一区JCR一区Dong Chen, Pingxian Wu, Kai Wang, Shujie Wang, Xiang Ji, Qi Shen, Yang Yu, Xiaotian Qiu, Xu Xu, Yihui Liu & Guoqing Tang
食品标签
畜肉 质构与流变性质 颜色与外观品质 其他品质相关性质 常规理化指标测定 显微与成像技术计算机标签
梯度提升决策树 智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 中等规模数据集肌内脂肪含量(IMF%)是影响猪肉品质的重要因素。传统的测定方法(索氏抽提)准确,但样品前处理时间长。本研究利用200头猪的背最长肌共1481张照片获取计算机视觉评分(IIMF%)。随后,测定了这200头猪的实际IMF%、肉色、大理石纹评分、pH值和滴水损失。采用逐步回归(SR)和梯度提升机(GBM)构建IMF%的估算模型。结果表明,IIMF%与IMF%、大理石纹评分、背膘厚度、水分百分比(POM)和pH值之间的相关系数分别为0.68、0.64、0.48、0.45和0.25。基于残差分布的SR和GBM模型准确率分别为0.875和0.89。本研究提出了一种利用计算机视觉技术和肉质性状估算IMF%的方法。