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
-
利用叠加泛化法结合高光谱成像检测掺假蜂蜜中的糖分
查看原文2024
Food Chemistry
中科院一区JCR一区Madhusudan G. Lanjewar, Kamini G. Panchbhai, & Lalchand B. Patle
食品标签
蜂蜜等天然糖 光谱/色谱/质谱等分析方法 食品安全与风险评估 碳水化合物与糖类计算机标签
主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱本文通过结合高光谱成像、Savitzky–Golay(SG)滤波器、主成分分析(PCA)、机器学习(ML)分类/回归器以及堆叠泛化方法,开发了一种新的混合、自动化和非侵入性方法,用于检测蜂蜜中的糖分。首先,利用各种ML回归器预测了蜂蜜中32种不同糖浓度。其次,糖的六个等级使用不同的分类器进行分类。第三,11种蜂蜜和100%糖都用分类器分类。堆叠模型(STM)预测32种糖浓度时,R2:0.999,RMSE:0.493毫升(v/v),RPD:40.2,10倍平均R2:0.996,RMSE:1.27毫升(v/v),用于预测32种糖浓度。STM在分类六个糖区、12类蜂蜜和一种糖时,取得了99.7%的马修斯相关系数(MCC)和99.7%的Kappa分数,平均MCC为10倍的98.9%,Kappa分数为98.9%。
-
便携式近红外光谱仪结合机器学习技术分类亚临床乳腺炎牛奶的研究
查看原文2024
Food Control
中科院一区JCR一区Erik da Silva Pereira, J.P. Cruz-Tirado, Bruna Lourenço Crippa, Rafaela Martins Morasi, Jaqueline Milagres de Almeida, Douglas Fernandes Barbin, Sylvio Barbon Junior, & Nathalia Cristina Cirone Silva
食品标签
液态乳 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 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据牛乳是人类饮食中一种传统食品。但奶牛罹患隐性乳房炎后,会破坏牛乳的营养成分,同时对消费者健康构成威胁。本研究旨在探究利用便携式近红外光谱仪(NIRS),将其作为筛查隐性乳房炎污染牛乳的检测方法的可行性。实验所用牛乳样本集的构成高度复杂,涵盖两个季节(冬季、夏季)、两个年份(2021 年、2022 年)、巴西五个地理产区(戈亚斯州、帕拉州、帕拉伊巴州、圣保罗州及圣卡塔琳娜州),且奶牛饲喂模式存在差异。研究人员采用主成分分析(PCA)、偏最小二乘判别分析(PLS-DA),以及随机森林(RF)、支持向量机(SVM)等机器学习模型,对采集到的样本光谱数据进行分析。主成分分析结果表明,隐性乳房炎牛乳与健康牛乳样本的聚类差异,与乳糖含量的变化密切相关。这一现象在偏最小二乘判别分析中同样得到验证,该模型检测隐性乳房炎牛乳的准确率达 78%,而随机森林和支持向量机模型的准确率均为 62%。不过,随机森林模型检测乳房炎牛乳样本的灵敏度(召回率)更高,达到 78%;支持向量机模型则在识别健康牛乳样本方面表现突出,准确率达 81%。此外,研究证实,利用孤立森林算法剔除异常样本后,基于近红外光谱数据构建的随机森林与支持向量机模型性能显著提升,其精确率最高可提升 25%。综上,便携式近红外光谱仪有望作为乳品行业筛查隐性乳房炎牛乳的检测手段。
-
鲑鱼刺身加工条件对李斯特菌交叉污染的评估及用于预测微生物转移的CLPSO-BP神经网络模型的有效性
查看原文2024
LWT
中科院一区JCR一区Ziwen Zhou, Meiling Tian, Binxiong Liu, Xinrong Zhong, Xinting Zhu, Changcheng Li, Ting Fang, & Chengkang Zhang
食品标签
鱼肉 预制菜/即食菜肴 微生物安全 微生物计数与生长曲线计算机标签
机器学习/统计学习 超参优化/自动机器学习 定量预测/回归分析在即食(RTE)食品的准备阶段,它们可能会被单核细胞增生李斯特菌交叉污染,从而导致食源性李斯特菌病的暴发。在本研究中,调查了手套、切板及清洁方法对三文鱼刺身加工过程中L. monocytogenes传播的影响。随后,开发了一种基于Lévy飞行和混沌映射的改进粒子群优化BP神经网络预测模型(CLPSO-BP)。在用手套处理受污染的三文鱼后,我们发现手套表面含有大量的L. monocytogenes(5.24 log CFU/g),而使用同一只手套加工后,10.69%的细菌随后被转移到未受污染的三文鱼上。加工工具的污染情况也显示出L.单核细胞增生李斯特菌在使用室温水和洗涤剂清洗后减少了最多3 log CFU/g,转移率减少了最多50%。相比之下,在使用70°C热水和洗涤剂擦拭工具表面后,没有发现细菌。CLPSO-BP建模测试的均方误差(MSE)为0.1003,表明预测准确。总体而言,选择适当的清洁方法并定期更换手套有助于在加工即食食品时避免交叉污染。
-
用于甜椒采前和采后缺陷检测的高光谱成像系统
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Mohammad Akbar Faqeerzada, Ye-Na Kim, Haewun Kim, Tanjima Akter, Hangi Kim, Min-Seok Park, Moon S. Kim, Insuck Baek & Byoung-Kwan Cho
食品标签
新鲜蔬菜 颜色与外观品质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 智能手机/其他 缺陷/异物检测与定位 高光谱/多光谱光谱 中等规模数据集甜椒果实(Capsicum annuum, L. var. angulosum)的外部缺陷直接影响其储存和市场价值,可能导致内部腐烂并改变果实外观。然而,自动检测甜椒的各种缺陷(包括裂纹、疤痕、病害和瘀伤)面临着重大挑战,这是由于缺陷大小存在差异,且不同类型的缺陷在视觉上具有相似性。本研究提出了一种全面、准确且快速的缺陷检测方法,该方法将高光谱成像(HSI)与多元分析和成像技术相结合。果实的反光表面是影响成像技术高效检测缺陷的主要限制因素。因此,研究开发了一套偏振高光谱成像可见-近红外(VIS-NIR,397-1000 nm)系统,并利用该系统对500多个存在各种缺陷的甜椒果实进行了成像。此外,研究人员对果实进行了不同大小的人工损伤处理,以确保光谱数据的变异性,并在两天内每12小时对果实进行一次测量。研究提取了甜椒果实样本(包括人工损伤果实)感兴趣区域(ROIs)的光谱数据(超过4580个光谱数据)。随后,开发了偏最小二乘判别分析(PLS-DA)模型来区分正常果实和有缺陷果实。值得注意的是,所开发的模型在预测正常果实和有缺陷果实方面达到了99%以上的准确率。此外,生成的化学图像还增强了检测过程。研究进一步利用连续投影算法(SPA)和变量重要性投影(VIP)进行关键波段选择,在预测集中分别获得了93%和98%的准确率。此外,采用基于方差分析(ANOVA)的分类算法来确定最佳波长波段比率(F值)。这种方法的准确率高达88.8%以上,并且通过改进的分水岭分割算法(IWSA)进一步提升了波段比率的性能,在多缺陷检测中准确率达到91.3%。这些研究结果为甜椒果实的外部质量检测提供了一种实用且高效的解决方案,特别是在存在自然缺陷的情况下。通过整合高光谱成像、PLS-DA、波段选择方法、基于ANOVA的分类以及IWSA,这种综合分析为甜椒果实缺陷的识别和分类提供了可靠且实用的手段,最终有助于提高产品质量和消费者满意度。
-
利用Vis-NIR光谱结合Grad-CAM方法,在多个梨树(Pyrus pyrifolia Nakai)品种中无损检测SSC的方法
查看原文2024
Food Chemistry
中科院一区JCR一区Xin Xu, Yanyu Chen, Hao Yin, Xiaochan Wang, & Xiaolei Zhang
食品标签
发酵食品及酱腌制品 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 支持向量机 卷积神经网络 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据可见近红外光谱结合化学模型常用于梨水溶解固体含量(SSC)预测。然而,模型的稳健性受到梨品种差异的挑战。本研究探讨了开发通用模型以预测多种梨类SSC的可行性,以提高模型的普遍性。利用6个果皮绿色的梨树梨叶松花属Nakai,类名“Cuiyu”、“Sucui No.1”和“Cuiguan”)和棕色果皮(PyrifoliaNakai cv. 'Hosui', 'Syusui' 和 'Wakahikari')被用于利用卷积神经网络(CNN)、偏最小二乘(PLS)和支持向量回归(SVR)方法建立单一栽培品种模型和多栽培品种普遍模型。采用全谱和通过梯度加权类别激活映射(Grad-CAM)提取的重要变量,构建了多栽培品种通用模型。基于重要变量的通用模型分别在6个品种上取得了满意的RMSEP(质量指数)为0.76、0.59、0.80、1.64、0.98和1.03°Brix。