类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 2456 条结果
-
应用机器学习模型对乳品巴氏杀菌工艺的全面综述
查看原文
2024
Food Control
中科院一区JCR一区
Pornima Singh, Surabhi Pandey & Subhadip Manik
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 传统热加工 过程监测与在线检测计算机标签
机器学习/统计学习 过程控制与实时优化 时序传感器/物联网数据机器学习（ML）是一种行之有效的工具，可通过多种途径助力巴氏杀菌工艺的优化升级。本文分析了基于机器学习的巴氏杀菌解决方案的研究现状与最新进展，并着重阐明了机器学习技术可为乳制品行业巴氏杀菌环节带来的潜在效益。机器学习技术能够对巴氏杀菌过程进行有效实时监测、预测设备潜在故障、提升工艺运行效率，同时还能对杀菌后产品的品质进行评估。上述功能不仅有助于提高巴氏杀菌产品的安全性与品质，还能在降低生产成本的同时提升运营效率。尽管机器学习技术在落地应用过程中仍面临诸多挑战，但我们应当认识到，该技术可为巴氏杀菌工艺带来显著的潜在效益，这对乳制品行业的发展具有重要意义。随着机器学习模型的持续优化以及数据可获取性的不断提升，预计机器学习将在巴氏杀菌工艺中发挥越来越重要的作用。本综述可为科研人员、食品与乳制品工艺研发人员及行业从业者提供详实的参考信息，助力其进一步探索机器学习在乳制品巴氏杀菌工艺中的应用新方向。
-
基于ICP-MS和DOSY NMR谱的起泡酒深度强化学习分类
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Ana-Marija Jagatic Korenika,Ana Jeromei,Ivana Tomaz,Tomislav Jednačak,Sanda Rončević,Ivan Nemet,Ines Primožić,Tomica Hrenar & Predrag Novak
食品标签
酒精饮料 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/等级评定一种结合核磁共振波谱法、电感耦合等离子体质谱法（ICP-MS）、先进的张量分解算法以及最先进的深度学习程序的方法，被应用于根据地理 origin 对克罗地亚大陆起泡酒进行分类。研究表明，复杂的高维核磁共振或电感耦合等离子体质谱数据无法仅通过高阶张量分解进行分类。通过深度强化学习对该程序进行扩展，得到了一个精妙的神经网络预测模型，可用于根据地理 origin 对起泡酒进行分类。在一半样本集上训练的网络甚至能够对94%的所有样本进行分类。该模型在样本数量有限以及更简单的统计方法无法产生可靠数据的情况下特别有用。该模型还可进一步用于起泡酒的识别和区分，在真实性或质量控制方面具有很大潜力。
-
基于Vis-NIR高光谱成像的不同成熟度冬枣可溶性固形物含量监测与货架期分析
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Yuanyuan Shao, Shengheng Ji, Guantao Xuan, Kaili Wang, Liqiang Xu & Jing Shao
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 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 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱本研究采用可见-近红外（Vis-NIR）高光谱成像技术，对不同成熟阶段冬枣的可溶性固形物含量（SSC）进行监测并分析其货架期。通过支持向量回归（SVR）和偏最小二乘回归（PLSR）模型，探究了中熟和成熟冬枣的可溶性固形物含量与其光谱数据之间的关系。中熟冬枣外部验证集的最佳决定系数和剩余预测偏差分别为0.837和2.47，成熟冬枣则分别为0.806和2.28。这表明，采用连续投影算法（SPA）筛选有效波长后，支持向量回归模型对可溶性固形物含量的预测效果更为显著。从预测图中可以看出，可溶性固形物含量的空间分布与成熟度及货架期存在显著相关性。此外，利用支持向量机库（LIBSVM）对货架期进行分析，中熟和成熟冬枣外部验证集的准确率分别达到89%和91%。这些结果表明，高光谱成像技术在采后冬枣的品质监测和货架期分析方面具有巨大潜力。
-
高光谱成像作为一种无损技术用于评估食品的营养价值
查看原文
2024
Current Research in Food Science
中科院一区JCR一区
Juan-Jesús Marín-Méndez, Paula Luri Esplandiú, Miriam Alonso-Santamaría, Berta Remirez-Moreno, Leyre Urtasun Del Castillo, Jaione Echavarri Dublán, Eva Almiron-Roig & María-José Sáiz-Abajo
食品标签
基本营养价值评价 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类计算机标签
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 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据了解复合食品的能量和宏量营养素含量对于食品工业以及实施基于人群的膳食指南至关重要。然而，传统方法耗时较长，需要使用化学制品，且样品无法回收。我们假设，通过将高光谱成像系统（近红外和可见-近红外）与先前根据光谱特征拟合的数学模型相结合，可以便捷地测量异质食品的营养价值。研究收集了118个不同食品的样品，利用其高光谱成像数据作为预测因子，以其营养价值作为因变量来构建预测模型。研究筛选了十种不同的模型（多元线性回归、套索回归、岭回归、弹性网络回归、K近邻回归、决策树回归、偏最小二乘回归、支持向量机、梯度提升回归和随机森林回归）。结果显示，岭回归在所有参数上均取得了最佳效果。其中，蛋白质含量的预测性能最佳，测试集中的均方根误差（RMSE）为1.02，决定系数（R²）为0.88；其次是水分（RMSE为2.21，R²为0.85）、能量值（RMSE为21.84，R²为0.76）和总脂肪（RMSE为2.17，R²为0.72）；碳水化合物（RMSE为2.12，R²为0.61）和灰分（RMSE为0.25，R²为0.38）的预测性能较差。本研究表明，将高光谱成像系统与有监督机器学习方法相结合，能够预测加工后的复合食品的能量和营养素值。
-
近红外光谱结合化学计量学在模拟基质中快速检测昆虫蛋白掺假的应用
查看原文
2024
Food Control
中科院一区JCR一区
Dongdong Ni, Joost L.D. Nelis, Amanda L. Dawson, Nicholas Bourne, Pablo Juliano, Michelle L. Colgrave, Angéla Juhász, & Utpal Bose
食品标签
昆虫蛋白 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 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 定量预测/回归分析 红外/拉曼光谱数据昆虫蛋白作为一种食品与饲料添加剂，其应用热度正持续攀升。不同昆虫物种的蛋白品质、终端用途及市场价格存在显著差异，这一现象或诱发昆虫蛋白的掺假行为。本研究采用近红外光谱（NIR）技术结合化学计量学方法，在模拟的复合昆虫蛋白混合物体系中，实现对蟋蟀蛋白、黑水虻幼虫（BSFL）蛋白及黄粉虫蛋白的掺假检测。此外，研究人员采集了来自三家商业供应商的黑水虻幼虫蛋白粉，探究近红外光谱技术能否基于成分差异，区分不同厂家生产的该类蛋白产品。常规成分分析结果显示，不同昆虫物种来源的蛋白在蛋白质、脂肪及甲壳素含量上均存在差异。针对不同配比的黑水虻幼虫、蟋蟀与黄粉虫蛋白混合物，研究所构建的偏最小二乘（PLS）回归模型，其交叉验证决定系数（Q 2）介于 0.991~0.997 之间；对于掺假昆虫蛋白粉样本，模型的交叉验证均方根误差（RMSCV）为 1.8%~2.9%，剩余预测偏差（RPD）达 10.4~17.1。该预测模型对掺假比例的检测精度约为 2%，且精度数值会随昆虫物种的不同有所波动。近红外光谱数据可有效区分三家不同厂商的黑水虻幼虫蛋白粉，同时也能鉴别两种加工工艺（全粉与脱脂样本）的产品差异，对应的模型交叉验证决定系数Q 2高达 0.999。综上，本研究建立了一套针对三种常见昆虫蛋白粉的快速低成本掺假监测技术流程。研究团队认为，在方兴未艾的昆虫源食品与饲料产业中，近红外光谱技术可广泛应用于昆虫蛋白的掺假检测、产地溯源及品质管控环节。
