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 167 条结果
-
FFPE肝组织中转录生物标志物的谱图分析:应用PLS-DA检测犊牛非法使用性激素和克伦特罗
查看原文2021
Food Control
中科院一区JCR一区Alessandro Benedetto, Marzia Pezzolato, Elisa Robotti, Elena Biasibetti, Audrey Poirier, Gaud Dervilly, Bruno Le Bizec, Emilio Marengo, & Elena Bozzetta
食品标签
畜肉 食品安全与风险评估计算机标签
偏最小二乘法 分类/鉴别/等级评定为保障消费者安全,欧盟已对肉用动物生长促进剂的使用实施严格管控。尽管如此,各国残留监控计划(NRCPs)仍多次查获非法滥用类固醇及其他兽药以提高动物产量的行为。目前,相关管控主要依赖成本高昂的靶向多类别 / 多残留分析方法,用于组织及生物体液中残留物质的确证与定量分析。因此,亟需建立以合成代谢物暴露间接生物标志物为核心的新型补充检测方法,以升级各国残留监控计划中筛查阶段现有的检测手段 —— 该阶段检测方法需满足低成本、高灵敏度及非靶向的技术要求。经基因芯片与 RNA 测序技术验证,非法用药的生物学效应转录组学分析已实现较高程度的标准化,可识别与多类合成代谢物滥用(如性激素、甲状腺抑制剂、β₂- 受体激动剂、糖皮质激素等)相关的大量差异表达基因靶点(DEG)。本研究旨在筛选出一组最小分子标志物组合,以实现对两种最常被非法使用的生长促进剂(性激素与 β₂- 受体激动剂)的检测,检测样本为福尔马林固定石蜡包埋(FFPE)组织。该样本采集策略在屠宰场场景下具有潜在的简便易行性。研究基于小牛肉牛的 FFPE 肝脏样本,开发了一款可对 48 个基因靶点进行定量分析的聚合酶链式反应(PCR)芯片。研究收集了 92 份来自不同动物试验的样本,针对诺龙、雌二醇、二者联用及克伦特罗的作用效果开展研究,并采用传统单变量分析及多元分类法等替代分析方法,对样本进行基因表达谱分析。结果表明,所构建的偏最小二乘判别分析(PLS-DA)模型成功建立了一套基于多转录组生物标志物的新型筛查策略,该策略可扩大检测样本量,进而强化现行各国残留监控计划的执行效力。
-
使用拉曼光谱技术鉴定澳大利亚常见牛肉生产系统
查看原文2021
Food Control
中科院一区JCR一区Bridgette G. Logan, David L. Hopkins, Leigh M. Schmidtke, & Stephanie M. Fowler
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据澳大利亚谷饲与草饲牛肉产品在市场上可售得溢价,许多牛肉加工商也会借助生产模式相关宣传语来推广旗下品牌牛肉。鉴于肉牛的日粮营养会改变皮下脂肪的脂肪酸组成,且利用脂肪的拉曼光谱可实现对谷饲与草饲肉牛的区分,本研究旨在验证拉曼光谱结合化学计量学建模能否对不同生产模式下的草饲牛肉进行精准鉴别。为此,本研究共检测了 520 份牛胴体的皮下脂肪样本,其中长期谷饲、短期谷饲、草饲及补饲型草饲肉牛样本各 130 份。基于偏最小二乘判别分析(PLS-DA)的胴体分类结果显示,在测试数据集下,该方法对长期谷饲、短期谷饲、草饲及补饲型草饲牛胴体的正确分类率分别达到 96%、85%、83% 和 83%。研究证实,驱动这一分类的核心是包含脂肪酸特征峰在内的特异性光谱图谱。综上,本研究表明,拉曼光谱技术可作为鉴别不同生产模式牛胴体的有效工具,为牛肉产地溯源与品质认证提供技术支撑。
-
基于热成像和卷积神经网络的碎羊肉掺假猪肉分类与定量检测
查看原文2021
Food Control
中科院一区JCR一区Minchong Zheng, Yaoxin Zhang, Jianfeng Gu, Zongxiu Bai, & Rongguang Zhu
食品标签
畜肉 食品安全与风险评估 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据本研究提出一种 基于热成像技术结合卷积神经网络(CNN) 的羊肉糜掺假定性鉴别与定量检测新方法,该方法兼具可靠性与实用性。首先,研究采集了 35 份纯羊肉样品、35 份纯猪肉样品,以及 175 份不同掺假比例的羊肉糜样品(羊肉糜中猪肉掺入比例梯度为 10%、20%、30%、40%、50%)在连续加热过程中的热成像视频。其次,提取加热速率较快阶段的热成像图像,获取图像中感兴趣区域(ROI)的特征信息,并基于这些信息构建卷积神经网络定性分类模型与定量预测模型。在模型构建过程中,通过参数对比试验优化确定了模型的学习率与小批量样本数。最终,本研究确定采用 Softmax 分类器的卷积神经网络模型作为最优定性分类模型,实现对纯羊肉、掺假羊肉糜及纯猪肉样品的精准判别;同时确定采用回归函数的卷积神经网络模型作为最优定量预测模型,实现对猪肉掺假比例的准确测算。结果表明:所构建的卷积神经网络定性分类模型,其验证集准确率达 99.97%,测试集准确率达 99.99%;定量预测模型的验证集决定系数R2、均方根误差(RMSE)、相对预测偏差(RPD)分别为 0.9933、0.0251、12.2487,测试集对应指标分别为 0.9933、0.0252、12.2387。综上,热成像技术结合卷积神经网络的方法,在不同样品的定性鉴别及掺假比例的定量检测方面均取得优异效果。该方法兼具经济性与便捷性,在掺假食品的检测与监管领域具有广阔的应用前景。
-
利用机器学习和品种标签SNPs进行肉类品种鉴定
查看原文2021
Food Control
中科院一区JCR一区Zhiting Xu, Shuqi Diao, Jinyan Teng, Zitao Chen, Xueyan Feng, Xiaotian Cai, Xiaolong Yuan, Hao Zhang, Jiaqi Li & Zhe Zhang
食品标签
畜肉 食品安全与风险评估计算机标签
支持向量机 随机森林 K-近邻 深度学习 分类/鉴别/等级评定 组学数据众多优良动植物品种为人类提供了优质且营养丰富的食物。高端食品因广受青睐且利润丰厚,往往伴随大量掺假产品流入市场,此举既损害消费者权益,也对守法生产商的利益造成侵害。因此,建立一套基于肉制品基因标记分型的品种鉴别体系至关重要,以此保障公众权益、增强消费者信任度。为提升品种鉴别的准确性,本研究以 13 个猪品种为研究对象,选取不同数量的品种标签单核苷酸多态性位点(breed tag SNPs) 及不同规模的训练集,对六种机器学习方法的性能展开评估。这六种机器学习方法分别为朴素贝叶斯算法、支持向量机(SVM)、k 近邻算法、随机森林(RF)、人工神经网络和决策树。
实验结果表明,相较于随机选取的单核苷酸多态性位点(SNPs),采用品种标签单核苷酸多态性位点可显著提高鉴别准确率。以支持向量机模型为例:使用 20 个品种标签单核苷酸多态性位点时,鉴别准确率为 99.30%(±0.14%);使用 200 个随机单核苷酸多态性位点时,鉴别准确率为 99.13%(±0.11%)。在六种方法中,随机森林与支持向量机算法在所有测试场景下均表现出良好的稳健性。此外,在训练集内品种验证组的测试中发现,品种鉴别准确率随训练集规模的扩大呈先上升后趋于稳定的趋势。综上可推断,品种标签单核苷酸多态性位点、机器学习算法选型及训练集规模这三大因素,对保障品种鉴别的准确性具有至关重要的作用。 -
利用高光谱成像技术预测红肉肌内脂肪和pH值的全球校准模型
查看原文2021
Meat Science
中科院一区JCR一区Y. Dixit, M. Al-Sarayreh, C.R. Craigie & M.M. Reis
食品标签
畜肉 颜色与外观品质 其他品质相关性质 过程监测与在线检测 常规理化指标测定 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 卷积神经网络 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据 大规模数据集本研究展示了一种开发全球校准模型的新方法,用于预测不同红肉物种和肌肉类型的肌内脂肪和pH值。研究使用了来自8个不同实验的高光谱成像数据集,包含牛肉、羊肉和鹿肉三个物种的数据,涵盖了不同的肌肉类型、屠宰季节和测量条件。利用偏最小二乘回归和深度卷积神经网络,分别使用1080个和1116个样本建立了IMF和pH的预测模型。通过两种技术建立的pH和IMF模型均获得了较高的校正决定系数和较低的标准校正误差。同时,模型也表现出相当准确的预测性能,具有较高的预测决定系数和较低的标准预测误差。总体结果证明了这些全球校准模型的全面性,它们能够预测红肉样本的IMF和pH,而不受物种和肌肉类型的影响。