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
-
基于矿物元素分析的可解释机器学习用于预测中国牡蛎的地理起源
查看原文2024
Current Research in Food Science
中科院一区JCR一区Xuming Kang, Yanfang Zhao, Lin Yao & Zhijun Tan
食品标签
软体与贝类 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 矿物质与微量元素计算机标签
梯度提升决策树 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据地理来源的可追溯性对于保障牡蛎的质量、安全以及保护牡蛎品牌至关重要。然而,当前的追溯结果缺乏可信度,因为它们未能充分解释模型的预测。因此,我们开展了一项研究,旨在评估将可解释机器学习与矿物元素分析相结合的有效性。研究结果显示,18种元素能够确定地域定位。同时,由于牡蛎中所含的必需元素和有毒元素存在地域差异,人们应更加关注食用牡蛎可能带来的潜在风险。轻量级梯度提升机(LightGBM)模型表现出色,其准确率、精确率、召回率、F1分数和AUC分别达到96.77%、96.43%、98.53%、97.32%和0.998,均十分优异。我们采用SHapley加法解释(SHAP)方法对LightGBM模型的输出进行评估,发现不同省份的牡蛎在特征相互作用方面存在差异。具体而言,钠(Na)、锌(Zn)、钒(V)、镁(Mg)和钾(K)这些特征对模型的预测过程有显著影响。与现有研究一致,使用可解释机器学习技术能够帮助我们深入了解产品重要属性与相关地理信息之间的复杂联系。
-
机器学习辅助纳米传感器阵列:一种高效的高通量食品检测分析
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Yuechun Li, Wenrui Zhang, Zhaowen Cui, Longhua Shi, Yiwen Shang, Yanwei Ji & Jianlong Wang
食品标签
探针与分析传感材料 品质、结构与理化性质 食品安全与风险评估计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析背景:如何通过低成本、易操作、高通量的手段及时判别食品品质,对食品行业而言具有里程碑式的保障意义,在资源匮乏地区尤为关键。将纳米传感器与生物分子(如抗体、适配体)结合,已成为大规模筛查中标准仪器检测的替代方案。但生物分子成本高昂、“锁-钥”配对机制无法解决部分检测问题(如食品新鲜度检测),加之各类新型食品风险不断出现,严重制约了这类纳米传感器在食品行业的发展。此外,不含生物分子的纳米传感器易受非特异性干扰,导致检测结果可信度较低。为此,部分研究聚焦以纳米材料为识别元件构建传感阵列,借助多重信号响应为每种分析物生成独特特征图谱,以此解决上述现存问题。
研究范围与方法:本文综述系统论述了机器学习辅助型纳米传感阵列在高效高通量食品检测分析中的相关研究,主要涵盖纳米传感阵列的可选构建材料、常用机器学习算法,及其在食品领域的各类应用场景(食源性危害物检测、食品组分分析、食品新鲜度评定、食品产地溯源、食品掺假鉴别等)。同时,本文梳理了机器学习辅助纳米传感阵列应用于食品检测领域现存的挑战与未来发展展望,以期突破当前行业发展瓶颈。
核心研究结果与结论:综上,本文提出将机器学习辅助纳米传感阵列应用于食品行业高效高通量检测分析工作。 -
基于深度学习特征提取的不同波长光实时检测黄曲霉毒素污染的无花果
查看原文2024
Food Control
中科院一区JCR一区Cihan Kılıç, Hayrettin Özer, & Burak İnner
食品标签
新鲜水果 食品安全与风险评估 化学污染物 显微与成像技术计算机标签
深度学习 支持向量机 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据黄曲霉毒素(AF)对食品的污染会对人类及动物健康构成严重威胁。无花果等多种农作物均易受到黄曲霉毒素污染。在无花果生产加工环节,工作人员通常采用亮绿黄色荧光法(BGYF),在紫外光照射下人工分拣受黄曲霉毒素污染的果实。这种人工分拣流程不仅对操作人员的专业能力有较高要求,且长期暴露于紫外辐射还可能危害人体健康。本研究旨在探索一种检测效能优于亮绿黄色荧光法的自动化检测技术,实现对黄曲霉毒素污染无花果的精准筛查,从而降低生产环节对人体健康的潜在危害,提升无花果生产加工的安全性。研究首先探究了黄曲霉毒素与亮绿黄色荧光之间的相关性,结果表明,借助亮绿黄色荧光法检测黄曲霉毒素的检出率仅为 73%。随后,研究团队搭建一套搭载多波长光源(250~1000 nm)的光学成像系统,采集无花果样本图像并构建数据集;同时采用迁移学习方法,从图像数据中提取特征向量。进一步选用支持向量机(SVM)作为分类器,对经 365 nm 波长光源照射、并通过 MobileNetV2、ResNet101V2 及 InceptionResNetV2 三种模型提取的图像特征向量进行分类。实验结果显示,该方法对污染无花果的检测准确率达 100%,对未污染无花果的识别准确率为 92.3%,总体分类准确率达 96%。上述研究证实,基于深度学习提取的图像特征,可实现对黄曲霉毒素污染无花果的快速、自动化、高效检测。
-
基于多任务卷积神经网络的水果新鲜度检测
查看原文2024
Current Research in Food Science
中科院一区JCR一区Yinsheng Zhang, Xudong Yang, Yongbo Cheng, Xiaojun Wu, Xiulan Sun, Ruiqi Hou & Haiyan Wang
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测计算机标签
卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据背景:通过计算机视觉检测水果新鲜度在许多农业应用中至关重要,例如自动收获和供应链监控。本文提出采用多任务学习(MTL)范式构建用于水果新鲜度检测的深度卷积神经网络。
结果:我们设计了一个多任务学习模型,用于并行优化新鲜度检测(T1)和水果类型分类(T2)任务。该模型采用共享卷积神经网络(CNN)子网络和两个全连接(FC)任务头。共享卷积神经网络作为特征提取模块,为两个任务头提供共同的语义特征。基于一个公开的水果图像数据集,我们对多任务学习和单任务学习(STL)范式进行了对比研究。单任务学习模型使用相同的卷积神经网络子网络,但仅配备一个特定的任务头。在多任务学习场景中,测试集上T1和T2的平均准确率分别为93.24%和88.66%。同时,对于单任务学习,这两个准确率分别为92.50%和87.22%。统计测试表明,多任务学习和单任务学习在T1和T2的测试准确率上存在显著差异。我们进一步研究了从两个单任务学习模型中提取的特征向量(语义嵌入)。在整个数据集上,这些向量的平均余弦相似度为0.7,大多数值在0.6–0.8范围内。这表明任务之间存在相关性,并证明了所提出的多任务学习方法的有效性。
结论:本研究证明,多任务学习能够利用两个或多个相关任务之间的相互关联,并能最大限度地共享它们的底层特征提取过程。我们期望这种方法能够扩展到涉及多个相互关联任务的其他领域。 -
ANN-GA优化复合色保护剂结合磁场辅助冷冻:对蘑菇(双孢子伞)质量的影响
查看原文2024
Food Chemistry
中科院一区JCR一区Linyu Zhang, Min Zhang, Dayuan Wang, Arun S. Mujumdar, & Yiping Chen
食品标签
食用菌菇 其他加工技术 其他品质相关性质 理化与结构表征计算机标签
深度学习 超参优化/自动机器学习 可见光/RGB/视频数据 质构/流变/感官数据由于含水量较高,冷冻蘑菇(双孢菌)受到冰晶形成的严重影响,可能导致组织结构破坏、严重褐化、高汁液流失以及难以维持良好的感官特性。为提升冷冻双孢子伞的质量,本研究采用人工神经网络和遗传算法(ANN-GA)优化复合色保护剂的用量,并通过 确定不同磁场辅助冻结条件下的冻结曲线、颜色变异、纹理和结构、滴落损失,确定了双孢子鱼的最佳冷冻条件以及水分分布。此外,利用X射线μCT拍摄了三维图像,以表征样品的微观结构。其中,6 mT磁场辅助冷冻处理组显著优于对照组,结果显示磁场辅助冷冻结合化学色保护剂作为复合加工技术,提高了冷冻双孢子伞的质量。这为增强冷冻双孢子伞的加工提供了理论基础和技术支持。