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
-
结合人工智能生成模型和基于结构的虚拟筛选发现潜在新烟碱类杀虫剂
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Yijin Kong, Cong Zhou, Du Tan, Xiaoyong Xu, Zhong Li, & Jiagao Cheng
食品标签
化学污染物 其他特殊成分计算机标签
循环神经网络 迁移学习/领域自适应 设计/生成与推荐 合成/仿真数据为主识别具有新型骨架的新烟碱类杀虫剂对农药发现具有重要意义。本研究整合基于人工智能的工具和虚拟筛选策略,用于发现潜在新烟碱类杀虫剂先导化合物。研究采用循环神经网络结合迁移学习,成功构建了深度生成模型。模型评价显示,预训练模型能够准确掌握类药分子的 SMILES 语法,并在迁移学习后生成潜在新烟碱类化合物。生成分子经层级虚拟筛选评估后,对命中分子进行相似性搜索,并购买最相似结构开展生物测定。化合物 A2 和 A5 在 100 mg/L 下对豆蚜的致死率分别为 52.5% 和 50.3%。分子对接表明,两种化合物具有与新烟碱类杀虫剂相似的结合模式,进一步分子动力学模拟也验证了这一点。该研究证明,AI 生成模型、迁移学习和结构筛选可协同用于新型农药候选物发现。
-
基于机器学习预测食品生物聚合物混合物流变参数
查看原文2024
Food Hydrocolloids
中科院一区JCR一区Julie Frost Dahl, Miek Schlangen, Atze Jan van der Goot & Milena Corredig
食品标签
豆类与坚果(及籽类) 碳水化合物配料 蛋白质配料 挤压膨化与共挤技术 质构与流变性质 质构与流变测试计算机标签
随机森林 定量预测/回归分析 质构/流变/感官数据 中等规模数据集通过水热加工制备的植物蛋白成分食品,其特性预测仍具挑战性。本研究基于成分数据,采用机器学习方法预测植物基生物聚合物混合物的流变特性。研究使用黄豌豆和蚕豆蛋白原料配制了蛋白质浓度范围为14%-43%的样品体系,这些配方与0-13%的多糖(包括玉米淀粉、果胶、纤维素及卡拉胶)混合,最终含水量介于40%-72%之间。之间。此类混合物适用于高水分挤压加工。采用密闭腔式流变仪收集流变数据,并施加小、中、大振幅振荡剪切。通过对140种独特配方的数据进行聚类分析以识别数据集模式,并通过变量重要性分析确定关键输入特征及相关输出流变参数。随后评估多种监督机器学习回归模型,结果显示:单输出随机森林回归能根据成分输入有效预测线性粘弹性区域的参数,但对非线性区域参数预测效果不佳;而以大变形参数作为输入时,多输出随机森林回归可实现对非线性区域参数的精准预测。研究结果揭示了流变参数间的内在关联性,有力证明了机器学习在预测植物基生物聚合物混合物流变特性方面的优势,同时凸显了其通过数据趋势揭示成分对高水分挤压过程中结构形成影响机制的巨大潜力。
-
机器学习支持的挥发性有机化合物检测与分析在食品质量与安全中的机制性综述
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Yihang Feng, Yi Wang, Burcu Beykal, Mingyu Qiao, Zhenlei Xiao & Yangchao Luo
食品标签
品质、结构与理化性质 食品安全与风险评估 微生物安全 过程监测与在线检测 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 时序传感器/物联网数据背景:近年来,随着食品消费量的增加和消费者对食品质量保证意识的提高,食品质量与安全受到更多关注。挥发性有机化合物(VOCs)检测分析技术因其非破坏性、环境友好、连续和实时监测的优点,成为评估食品质量的强大工具。机器学习(ML)支持的电子鼻(EN)、比色传感器阵列(CSA)以及气相色谱(GC)联用技术(例如GC-MS和GC-IMS)正成为食品科学领域的研究热点。
范围与方法:本综述介绍了这些技术的基本原理、优势和局限性,以及ML在应用场景中的实施细节。特别地,基于食品VOC检测分析的最新案例,讨论了ML在数据处理、建模和性能评估方面的基本原理,随后阐述了ML在食品研究不同领域(包括产地溯源、掺假、质量控制和病原体检测)中的综合应用。
主要发现与结论:随着并行计算、计算机视觉和气味成像等ML技术的发展,CSA和EN等新技术正在取代传统的GC用于VOC检测与分析。食品工业中许多以前棘手的问题,例如食品产地溯源和食品掺假,已通过先进的ML算法得到解决。然而,食品VOC检测与分析中正在出现新的挑战,研究人员正在探索新的解决方案,例如边缘/云计算、EN传感器漂移和CSA标准化制造,以解决更多的食品质量和安全问题。 -
基于近红外高光谱成像与化学计量学的藏红花中柱头掺杂检测
查看原文2024
Food Control
中科院一区JCR一区Derick Malavi, Amin Nikkhah, Pejman Alighaleh, Soodabeh Einafshar, Katleen Raes, & Sam Van Haute
食品标签
香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱藏红花是一种高价值香辛料,极易成为掺假目标。本研究提出采用近红外高光谱成像技术(NIR-HSI)结合化学计量学方法,构建一种快速经济的藏红花柱头掺假检测与定量分析方案。实验通过向纯藏红花柱头中添加不同浓度(20%–90%)的藏红花花柱,制备得到系列掺假样品。光谱数据预处理采用标准正态变量变换(SNV)与多元散射校正(MSC)两种方法;变量降维则通过主成分分析(PCA)与偏最小二乘法(PLS)完成。定性分类建模选用线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)及多层感知器(MLP)四种模型;定量分析则基于 PLS、PCA、SVM 和 MLP 构建回归模型。结果显示,所有分类模型均能高效区分纯藏红花、植物源性掺假物及掺假藏红花样品,正确分类率达 95.6%–100%。用于测定藏红花花柱掺假比例的回归模型预测性能优良,几乎所有模型的残差预测偏差(RPD)值均处于 3.0–5.4 区间。其中,基于 SNV 预处理结合 PLS 降维(提取 15 个潜变量)所构建的 MLP 模型(含 1 个隐含层、3 个神经元)表现出最优预测能力,其预测决定系数(Rp2)达 0.97、预测均方根误差(RMSEP)为 4.3%、残差预测偏差(RPD)为 5.4。研究结果证实,近红外高光谱成像技术结合化学计量学方法,在藏红花柱头中花柱掺假的快速无损检测与定量分析领域具有良好应用潜力。
-
一种用于评估黑茶发酵程度的改进3D-SwinT-CNN网络
查看原文2024
Food Control
中科院一区JCR一区Fengle Zhu, Jian Wang, Yuqian Zhang, Jiang Shi, Mengzhu He & Zhangfeng Zhao
食品标签
茶/茶饮料 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 分类/鉴别/等级评定 组学数据发酵是形成红茶风味品质的关键工序,但在红茶加工过程中准确评估发酵程度具有较大难度。本文提出了一种改进的3D-SwinT-CNN网络,用于对红茶高光谱图像进行端到端处理,以评估其发酵程度。该模型融合了空洞卷积(dilated convolution)与移位窗口自注意力机制(shifted window self-attention mechanism),有效扩展了网络的感受野,能够同时捕捉红茶高光谱图像的局部空-谱特征和全局特征。在测试集上的分类准确率达到98.13%。与传统人工特征提取方法相比,准确率提升了3.45%;相较于基础的3D-CNN模型,所提出的3D-SwinT-CNN在空-谱特征提取能力上表现更优,平均准确率提高了10.17%。此外,本文还通过消融实验进一步验证了所引入模块的有效性。所提出的3D-SwinT-CNN模型旨在为红茶发酵程度的在线评估奠定研究基础。