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
-
通过多种仪器结合机器学习对陈年绍兴黄酒香气特征的分析
查看原文2024
LWT
中科院一区JCR一区Gongshuai Song, Nengliang Jiang, Liwei Zhao, Zhichu Shan, Danli Wang, Tinglan Yuan, Ling Li, Mingquan Huang, & Jinyan Gong
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据老化决定了黄酒的香气品质和经济价值。传统的老化过程很容易导致年轻酒被标注为陈年酒的常见欺诈行为。在本研究中,使用多种仪器和机器学习(ML)相结合的方法,研究了不同年份(3、5、8 和 10 年)绍兴黄酒老化时间对香气特性的影响。随着老化时间的延长,呈现苦、甜、鲜味的游离氨基酸含量增加。酒精含量降低,而醛类、酯类和酮类含量增加。通过机器学习,对挥发物的整体信息进行了最大化和系统分析。机器学习模型的性能通过混淆矩阵进行评估。结果显示,关键挥发性香气化合物(例如:2-苯乙醇、壬醛和异戊醇主导了整体香气特征,并被认为是区分不同年份绍兴黄酒的可靠标志物。
-
基于激光散斑成像与机器学习模型的苹果果实呼吸速率无接触估算
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Piotr Mariusz Pieczywek, Artur Nosalewicz & Artur Zdunek
食品标签
新鲜水果 其他品质相关性质 过程监测与在线检测 显微与成像技术计算机标签
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据本文介绍了激光散斑成像法的应用,这是一种用于监测完整苹果气体交换速率的无损、非接触式方法。在典型的激光散斑成像装置中,使用了红色和红外激光器。提出了一个新的参数——散斑图案弛豫时间,用于评估散斑动态。研究采用机器学习方法开发了一组预测模型,这些模型以通过气流系统测量的两个苹果品种的呼吸速率为基准进行校准和验证。性能最佳的模型使用了三个变量:散斑图案弛豫时间(τRED或τIR)、果实质量以及描述苹果品种的分类变量。该模型的平均绝对预测误差低至6.04%,表现令人满意。激光散射测量数据与现代机器学习算法相结合,提供了一种无损且快速的苹果呼吸速率估算方法。所开发的解决方案具有广泛的工业应用潜力,特别是在水果储存领域,因为果实呼吸速率可反映最佳储存条件。
-
一种便携式的含铕复合物荧光测试纸结合智能手机分析,用于现场和目视检测食品样品中的曼科西布
查看原文2024
Food Chemistry
中科院一区JCR一区Zheng Cheng, Xinfang Liu, Beibei Zhao, Xu Liu, Xiaorui Yang, Xiaoyu Zhang, & Xun Feng
食品标签
水果/蔬菜与菌菇类/植物类 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
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据现场检测到食品样本中的曼科泽对食品安全具有巨大价值。一种红荧光的铕复合物(Eu-PYDC-Phen)已被制备并用作锰酸酶检测的荧光探针。优化后的探针悬挂表现出优异的探测性能,包括宽线性范围(0–0.24 mM)、低探测极限(65 nM)、快速响应(2分钟)和高选择性。此外,还精心设计了一个便携式检测平台,将基于Eu-PYDC-Phen的荧光试纸与智能手机颜色识别软件集成。这一创新平台实现了番茄、苹果和生菜中对曼科泽布的视觉和现场检测,实现了令人满意的回收率(90.34%至106.50%)。此外,基于层次聚类算法的机器学习技术整合有望进一步提升mancozeb检测的预测和决策效率。这项工作提供了一种经济、便捷且可靠的农产品农药现场检测策略,从而对食品安全做出了有意义的贡献。
-
食品安全中潜在的新型微生物危害监控工具:代谢组学与人工智能的融合
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Ying Feng, Aswathi Soni, Gale Brightwell, Marlon M Reis, Zhengzheng Wang, Juan Wang, Qingping Wu & Yu Ding
食品标签
食品安全与风险评估 微生物安全 过程监测与在线检测 组学与高通量技术 代谢组学计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 组学数据背景:为实现可持续的食品加工环境,对病原体进行稳健且实时的监控尤为重要。因此,近年来,整合代谢组学与人工智能以实现早期检测、识别和微生物风险预测的新方法受到了研究者的广泛关注。然而,数据获取、质量控制和真实性评估方面标准化流程的缺失仍然阻碍了该领域的发展。此外,训练模型以准确管理食品基质内控所需的大型数据集,以及缺乏适用于所有场景的通用模型,也是需要解决的挑战。
范围与方法:代谢组学与深度学习结合已显示出在食品微生物监测中的巨大潜力。本综述涵盖了该领域的已报道应用,并着重强调了微生物污染物的早期检测。文中比较了传统与新型代谢组学技术,并讨论了该领域的局限性、挑战与前景。重点探讨了深度学习在改善代谢组学于食源性病原体分类与鉴定中应用的作用。
主要发现与结论:该领域的一些研究已证明了代谢组学生物标志物、指纹图谱和谱图在微生物风险识别与早期检测中的作用。目前正在建立食品基质中病原微生物生物标志物的筛选与验证工作流程。人工智能与代谢组学分析的整合在食品生产、运输和消费各阶段的微生物危害实时监测与识别方面显示出巨大潜力。 -
高光谱成像的光谱与纹理特征融合用于牛肉特征氨基酸含量的量化与可视化
查看原文2024
LWT
中科院一区JCR一区Fujia Dong, Yinhong Niu, Yongzhao Bi, Jie Hao, & Songlei Wang
食品标签
畜肉 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 蛋白质与氨基酸计算机标签
机器学习/统计学习 偏最小二乘法 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱特征氨基酸是评估牛肉营养价值和风味参数的重要指标。为准确量化和可视化牛肉中的精氨酸和丙氨酸含量,探索了可见近红外高光谱多元校准分析和数据融合的可行性。使用三种方法选择最佳特征波长和融合多级纹理信息,并在不同信号下开发线性、非线性和神经网络模型的预测性能。与所有模型相比,线性模型在特征光谱和融合光谱方面显示出优越的性能。其中,CARS-ASM-ENT-PLSR模型的预测性能最有效,对丙氨酸的R P 2 = 0.9211,RMSEP = 0.1252 mg/100 g,RPDp = 3.49。用于精氨酸预测的UVE-ASM-ENT-HOM-COR-PLSR模型表现良好,R P² = 0.8596,RMSEP = 0.8596 mg/100 g,RPDp = 2.62。最后,生成了精氨酸和丙氨酸含量分布的可视化图。这项研究表明,数据融合方法为快速评估CAA含量提供了一种新途径。