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
-
基于水光谱组学的番茄粉提取物筛选揭示对增容剂和着色剂的敏感性
查看原文2024
Food Control
中科院一区JCR一区Balkis Aouadi, Damian Laryea, Juan Pablo Aguinaga Bósquez, Mariem Majadi, István Kertész, Zsanett Bodor, John-Lewis Zinia Zaukuu, & Zoltan Kovacs
食品标签
香精香料 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 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据番茄粉作为不可或缺的烹饪配料应用日益广泛,但这类产品仍无法规避掺假行为。传统鉴别方法因操作流程复杂,难以作为常规检测手段推广应用。本研究以水光谱学技术为潜在替代方案展开效能验证,该技术具有样品前处理步骤少、无需溶剂萃取的优势。实验选取三个番茄品种为研究对象,设计了两类掺假剂(填充剂与着色剂)的掺假方案:两类掺假剂分别添加或混合添加,在番茄粉水基混合体系中的掺假浓度梯度设定为 0%–20%。采用 XDS 近红外光谱仪以透射模式采集样品光谱数据,并在水的第一、第二泛频波段范围内结合化学计量学方法开展数据分析。在基于掺假水平的分类研究中,针对单一掺假剂混合体系构建主成分分析 - 线性判别分析(PCA-LDA)定性模型,模型识别准确率与预测准确率分别可达 97.76%–100% 和 88.59%–100%;当填充剂与着色剂复合掺假时,模型准确率略有下降。偏最小二乘回归(PLSR)定量模型对掺假比例的预测效果良好,模型决定系数(R 2)最高可达 0.98,交互验证均方根误差(RMSECV)最优值为 0.45%(质量分数)。水光谱特征图谱呈现出特异性光谱模式,可直观反映掺假比例的梯度变化。综上,研究结果证实,将番茄粉制备为液态样品后,采用水光谱学技术可有效实现其真伪鉴别,该技术在保障番茄粉品质真实性方面具有重要应用前景。
-
基于采后储存期‘jukhyang’和‘Merry Queen’草莓挥发性有机化合物的储存时长机器学习预测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Eunsu Do, Mingyeong Kim, Da-Yeong Ko, Mijeong Lee, Cheolgyu Lee & Kang-Mo Ku
食品标签
新鲜水果 货架期预测与品质劣变动力学 其他品质相关性质计算机标签
其他深度学习结构 偏最小二乘法 随机森林 智能手机/其他 定量预测/回归分析草莓(Fragaria × ananassa Duch.)是一种广受欢迎的园艺作物,以其独特的口感和风味而闻名。为了建立一个准确的草莓新鲜度预测模型,研究人员对完全成熟的‘竹香’和‘欢乐女王’草莓的比色数据、总可溶性固形物、可滴定酸度和挥发性有机化合物(VOCs)进行了研究。在冷藏(10°C,相对湿度79%)0、4、8和12天后进行了数据测量。虽然常规的质量决定因素在储存期间变化细微,但大量的挥发性有机化合物代谢物数据被证明足以构建草莓新鲜度预测模型。在评估的算法中,包括正交偏最小二乘(OPLS)、随机森林、偏最小二乘(PLS)回归和人工神经网络多层感知器(MLP),多层感知器算法的准确率最高。利用25种挥发性有机化合物的变化,开发了一个多层感知器模型,测试集的R²为0.999,准确率较高。1-己醇、甲苯、异戊酸乙酯、丙酸乙酯和异戊醇等化合物被确定为多层感知器新鲜度预测模型的重要生物标志物。这些发现凸显了挥发性有机化合物作为预测储存期间草莓新鲜度关键指标的潜力。
-
利用Wasserstein生成对抗网络增强高光谱成像:预测樱桃番茄可溶性糖含量的新方法
查看原文2024
LWT
中科院一区JCR一区Jiarui Cui, Yao Zhang, Jie hao, Yan ma, Jiali Men, Shibo pan, & Longguo Wu
食品标签
新鲜蔬菜 品质、结构与理化性质 显微与成像技术 碳水化合物与糖类计算机标签
卷积神经网络 生成对抗网络 定量预测/回归分析 高光谱/多光谱光谱 合成/仿真数据为主樱桃番茄的可溶性糖含量对其风味、营养价值和生理代谢有显著影响。因此,开发一个精确且灵敏的高光谱检测模型以测定樱桃番茄的甜度,对于其产业发展至关重要。然而,光谱特征的复杂性和样品中化学成分含量低等挑战,为此带来了障碍。在本研究中,采用了Wasserstein生成对抗网络(WGAN)来克服这些挑战并改善建模拟合的困难。经过多次迭代,WGAN成功生成了与原始数据高度相似的样本。结果表明,在引入WGAN进行辅助训练后,每个模型的性能都有显著提升。值得注意的是,改进后的数据集在CNN模型上分别取得了0.8853和0.7719的Rc和Rp值。本研究提供了一种创新且高效的方法来检测樱桃番茄中的可溶性糖含量,并为人工智能在食品和农产品检测领域的应用提供了宝贵的见解。
-
基于机器学习的大米品种—烹饪—咀嚼预测模型构建
查看原文2024
Food Research International
中科院一区JCR一区Mengjie Ma, Zhengbiao Gu, Li Cheng, Zhaofeng Li, Caiming Li, Mingyi Shen, Jinyi Wu, Jia Liu & Yan Hong
食品标签
大米 传统热加工 品质、结构与理化性质 感官科学与消费者研究 理化与结构表征 碳水化合物与糖类计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 质构/流变/感官数据本研究建立了一个机器学习驱动的多尺度预测框架,用于量化大米理化特性、烹饪条件和口腔处理之间的关系。对56个大米品种的质地、形态和直链淀粉含量进行了表征,同时测量了体内咀嚼参数(咀嚼时间、咀嚼次数、唾液量)和食团特性(粒径、还原糖含量)。相关性分析确定硬度、胶粘性和咀嚼性是咀嚼行为的关键决定因素(r > 0.7),而谷粒长宽比则对食团粒径产生负面影响(r > 0.7)。开发了包括多元线性回归、极限梯度提升(XGBoost)、支持向量机(SVM)、长短期记忆网络(LSTM)和卷积神经网络在内的五种预测模型,其中LSTM在咀嚼预测上达到最优(测试R2 = 0.9499),SVM在食团特性预测上表现突出(R2 = 0.9168)。XGBoost模型有效捕捉了烹饪参数(烹饪时间、水米比)与质地之间的非线性相互作用(R2 = 0.8161)。级联模型(用于咀嚼预测的XGBoost-LSTM和用于食团预测的XGBoost-SVM)实现了从烹饪输入到口腔结果的端到端预测。该框架推进了大米加工和感官质量的数字化优化,为定制化食品设计提供了预测工具。
-
不同人工神经网络对经不同预处理和微波干燥组合处理的香蕉切片的识别性能
查看原文2024
Food Control
中科院一区JCR一区Necati Çetin, Ewa Ropelewska, Younes Noutfia, & Seda Günaydın
食品标签
新鲜水果 品质、结构与理化性质 物理辅助加工 理化与结构表征 显微与成像技术计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集本研究旨在评估功率为 100 W、200 W、300 W 的微波干燥处理,对未预处理及经5% 抗坏血酸溶液、5% 柠檬酸溶液、5% 阿拉伯树胶溶液、超声波预处理的香芽蕉(华蕉)切片品质的影响。研究采用数码单镜反光(DSLR)相机对香蕉切片进行成像,对获取的图像进行处理以提取纹理参数。基于从包含不同颜色通道下 2172 幅图像纹理的大型数据集里筛选出的图像纹理参数,本研究利用人工神经网络构建了分类模型。实验选用了宽神经网络、双层神经网络、中型神经网络,以及三类函数型分类器 ——径向基函数(RBF)网络、多层感知器、加权结构判别分析读取器(WiSARD)。针对预处理方式与微波干燥功率组合形成的 15 类香蕉切片样本,基于多层感知器构建的模型分类平均准确率最高可达 97.2%。多数模型的测试结果显示,未经预处理、200 W 微波干燥的香蕉样本分类正确率最高。本研究表明,采用图像处理结合人工智能技术,可实现对预处理 - 微波干燥香蕉切片品质的客观、无损、准确且稳健的评估。