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
-
基于多环境试验数据和机器学习的大麦籽粒蛋白质组评估
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Maany Ramanan, Harmonie Bettenhausen, Gabriela Grigorean, Christine Diepenbrock, & Glen Patrick Fox
食品标签
杂粮 品质、结构与理化性质 加工与新加工技术 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸计算机标签
目标检测网络 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 组学数据蛋白质组学可用于评估单个蛋白丰度,这些丰度可能反映基因型和环境效应,并可用于预测籽粒和麦芽品质。本研究使用液相色谱-质谱分析了来自加利福尼亚多环境试验(2017-2022 年)的 79 个大麦籽粒样品,样品由基因型、地点和年份组合构成。研究在所有样品中共鉴定出 3104 种蛋白。地点、基因型和年份分别解释了单个蛋白相对丰度变异的 26.7%、17.1% 和 14.3%。在 Yolo 3 和 Imperial Valley 两个地点、Butta 12 和 LCS Odyssey 两个基因型以及 2017-18 和 2021-22 年中,有 16 种具有贮藏、DNA/RNA 结合或酶功能的蛋白丰度显著高于或低于总体均值。单个蛋白丰度可较合理地预测总蛋白、醇溶蛋白、麦芽蛋白含量和麦芽细浸出物,交叉验证 RMSE 为 1.25%-2.04%。该研究说明环境对大麦蛋白质组具有重要影响,并展示蛋白质组学和机器学习在预测籽粒及麦芽品质中的应用价值。
-
葡萄运输过程中包装性能评估与保鲜智能预测建模研究
查看原文2024
Food Control
中科院一区JCR一区Maosong Yin, Longfei Huo, Nuo Li, Hongliang Zhu, Zhiqiang Zhu & Jinyou Hu
食品标签
新鲜水果 包装与智能监测 数值仿真计算机标签
支持向量机 机器学习/统计学习 超参优化/自动机器学习 分类/鉴别/等级评定 时序传感器/物联网数据运输过程中产生的振动不可避免地会造成葡萄的机械损伤,进而损害其新鲜度,直接影响经济价值。尽管采用适宜的包装是一种切实可行的解决手段,但目前针对包装防护效果的相关研究仍不够深入。此外,传统的果实新鲜度预测方法,无法适配不同包装方式下葡萄存在的新鲜度差异问题。为此,本研究提出一种基于多传感技术与机器学习算法的果实新鲜度预测新方法。该方法通过对包装性能开展合理评估,有效提升了果实新鲜度预测的自动化、智能化与精准化水平。研究首先运用危害分析与关键控制点法(HACCP),对葡萄供应链物流环节的关键控制点进行分析,明确了振动、温度、湿度这三项核心环境参数,以及它们与葡萄新鲜度之间的关联作用。随后,研究搭建了一套葡萄供应链环境监测平台,以此实现对瓦楞纸箱、泡沫箱、塑料箱及充气包装这四种不同包装形式下的环境监测。结合环境监测结果与理化指标,并辅以有限元分析,研究人员对各类运输包装的防护效果展开了细致的分析与评价。值得注意的是,环境数据可替代品质数据实现对葡萄新鲜度的表征,其中振动相关指标与品质指标的关联性尤为显著。基于环境监测数据,研究构建了机器学习预测模型用于葡萄新鲜度预测,支持向量机(SVM)模型的预测准确率达 92.512%,遗传算法优化人工神经网络(GA-ANN)模型的预测准确率更是达到 94.334%。这种自动化、无损化的数据采集方式,以及创新的机器学习方法,为葡萄物流环节的包装性能评价、新鲜度预测与食品品质管控,开辟了全新的技术路径。
-
优化高容量工具结合二维气相色谱质谱,用于绘制生开心果挥发性有机化合物的图谱。关于按地理来源进行分类能力的概念验证
查看原文2024
Food Chemistry
中科院一区JCR一区Andrea Schincaglia, Luisa Pasti, Alberto Cavazzini, Giorgia Purcaro, & Marco Beccaria
食品标签
豆类与坚果(及籽类) 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
随机森林 分类/鉴别/等级评定 组学数据通过使用高容量工具进行顶空采样,并随后采用综合二维气相色谱与质谱联用进行分析,开发出了一种优化的提取和分析原味开心果挥发性物质的程序。对来自不同地理区域的 18 个开心果样本的检测,最终确定了 99 种挥发性有机化合物(VOC)。通过线性保留指数、质谱相似性以及二维图位置等方法对分子进行了推测性鉴定。评估了去除污染物后,来自不同地理来源的一组样本的对齐数据矩阵中预处理和处理技术的影响。将对数变换与缩放相结合、用 z 分数进行归一化以及使用随机森林机器学习算法进行数据降维,生成了 16 种具有区分性的挥发性有机化合物分子。作为概念验证,首次使用原味开心果的挥发性化合物特征对其地理来源进行了初步分类。
-
结合近红外-HSI和多阶段参数优化技术预测单个玉米粒的油脂含量
查看原文2024
Food Chemistry
中科院一区JCR一区Anran Song, Chuanyu Wang, Weiliang Wen, Yue Zhao, Xinyu Guo, & Chunjiang Zhao
食品标签
玉米 基本营养价值评价 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集利用高光谱成像和机器学习技术预测单个玉米粒的含油量具有快速且无损的优点。然而,传统方法依赖于专家的经验来设定参数。针对这些局限性,本研究设计了一种创新的多阶段网格搜索技术,该技术适应于光谱数据的特性。首先,研究自动从多达 504 种算法组合中筛选出最佳模型。随后,采用多阶段网格搜索来提高精度。我们从 15 种高油含量和常规玉米材料的穗的不同部位收集了 270 个玉米粒样本,其含油量范围从 1.4%到 13.1%。实验结果表明,组合 SG + NONE + KS + PLSR(R2:0.8570)和 MA + LAR + Random + MLR(R2:0.8523)表现最佳。经过参数优化,它们的 R2 值分别提高到 0.9045 和 0.8730。此外,ACNNR 模型的 R2 为 0.8878,RMSE 为 0.2243。改进后的算法在预测准确性和适应性方面显著优于传统方法和 ACNNR 模型,为田间应用提供了一种有效的方法。
-
高光谱成像可预测坚果仁中的游离脂肪酸水平、过氧化值以及亚油酸和油酸浓度
查看原文2024
LWT
中科院一区JCR一区Tsvakai Gama, Michael B. Farrar, Mahshid Tootoonchy, Helen M. Wallace, Stephen J. Trueman, Iman Tahmasbian, & Shahla Hosseini Bai
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 氧化、褐变等化学变化 显微与成像技术 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱食品加工系统中的成像技术正在迅速发展,以减少食品浪费。然而,建模技术、样本量和数据集划分方法会显著影响模型在预测食品质量变量方面的性能。本研究探讨了高光谱成像在预测两种坚果--椰子果和澳洲坚果--中的过氧化值(PV)、游离脂肪酸(FFA)水平及脂肪酸浓度(包括油酸和亚油酸)的潜力。研究还检验了人工神经网络(ANN)回归和偏最小二乘回归(PLSR)技术进行这些预测的有效性。此外,还评估了数据集规模对预测准确性的影响以及用于开发预测模型的数据集划分方法的重要性。ANN 和 PLSR 模型都能够高精度预测 FFA 水平和油酸浓度,但对 PV 和亚油酸浓度的预测效果较差。对于小型数据集,改变测试数据集的划分方法,使 ANN 和 PLSR 在预测 FFA 水平时的 R² 测试值相当。FFA 水平预测成功可以部分归因于即使在样本数量较少的数据集中也存在较高的变异性。该研究强调了在预测质量属性时,数据集大小、测试数据集划分方法以及模型选择等因素的重要性。