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
-
绿色分析测定法,用于单粒玉米种子的活性评估,采用双阈值策略评估过氧化氢酶活性和丙二醛含量
查看原文2024
Food Chemistry
中科院一区JCR一区Ting An, Yaoyao Fan, Xi Tian, Qingyan Wang, Zheli Wang, Shuxiang Fan, & Wenqian Huang
食品标签
豆类与坚果(及籽类) 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱开发用于检测种子生存能力的无损技术充满挑战。本研究为建立一种绿色且有效的单粒玉米种子存活能力评估方法,提出了两阶段种子存活检测方法。该过氧化氢酶(CAT)活性和乙二甲醛(MDA)含量被选为影响玉米种子存活能力的最关键生化成分,并基于其高光谱信息和数据融合策略开发了回归预测模型。基于所选关键生化成分的预测反应值,构建了用于种子存活性评估的定性区分模型。结果显示,双成分阈值策略实现了最高的区分准确率(92.9%),为快速且环保地检测种子存活性提供了关键方法。
-
组学分析结合化学计量学在食品与药品明胶真实性鉴别中的应用综述
查看原文2024
Food Chemistry: X
中科院一区JCR一区Putri Widyanti Harlina,Vevi Maritha,Fang Geng,Asad Nawaz,Tri Yuliana,Edy Subroto,Havilah Jemima Dahlan,Elazmanawati Lembong & Syamsul Huda
食品标签
内脏及副产物 食品安全与风险评估 组学与高通量技术 蛋白质与氨基酸计算机标签
偏最小二乘法 主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 组学数据明胶是一种可从胶原蛋白、动物骨骼、皮肤中水解得到的蛋白质分子,且易溶于水。必须对明胶原料的来源动物及其清真状态进行评估。用于食品和药品中明胶鉴别的组学方法具有诸多优势,包括高灵敏度和数据可靠性。组学研究通过将物质分解成小颗粒,从而提高检测更多化合物的能力。组学研究能够在亚类水平上识别物质,这使其非常适合用于明胶鉴别。明胶的脂质、代谢物、蛋白质和挥发性化学物质可作为明胶鉴别的参考依据。在进行明胶鉴别时,脂质组学、代谢组学、蛋白质组学和挥发组学必须与化学计量学相结合以进行数据解读。化学计量学能将组学分析数据转化为易于查看的数据。能够呈现用于明胶鉴别的组学分析数据的化学计量学方法包括主成分分析(PCA)、层次聚类分析(HCA)、偏最小二乘判别分析(PLS-DA)、偏最小二乘回归(PLSR)、软独立建模分类法(SIMCA)和流式细胞术(FACS)。通过化学计量学可直观地解释不同动物来源明胶之间的差异。组学分析与化学计量学相结合是一种在食品和药品明胶鉴别方面极具前景的技术。
-
红外光谱学结合机器学习算法,用于预测奶牛的详细乳矿物剖面
查看原文2024
Food Chemistry
中科院一区JCR一区Vittoria Bisutti, Lucio Flavio Macedo Mota, Diana Giannuzzi, Alessandro Toscano, Nicolò Amalfitano, Stefano Schiavon, Sara Pegolo, & Alessio Cecchinato
食品标签
乳及乳制品 基本营养价值评价 光谱/色谱/质谱等分析方法 传统统计分析与回归 矿物质与微量元素计算机标签
机器学习/统计学习 偏最小二乘法 超参优化/自动机器学习 定量预测/回归分析 红外/拉曼光谱数据牛奶中的矿物质不仅是人体健康所必需的成分,而且还能反映牛奶的质量以及奶牛的健康状况。在此研究中,我们利用偏最小二乘回归(PLS)和机器学习方法,通过傅里叶变换中红外(FTIR)光谱技术,对牛乳中 17 种宏观、微量和环境元素的详细组分进行了预测可行性研究。自动机器学习在矿物元素的预测性能方面明显优于偏最小二乘回归。对于宏量元素,R2 的范围在 0.59 到 0.78 之间。对于铜和硼,预测的准确性表现良好(R2 分别为 0.66 和 0.74),而对于铁、锰、锌和铝,预测性能则较为温和(R2 在 0.48 到 0.58 之间)。这些结果为快速且经济有效的这些特征的定量提供了可靠的依据,为寻求提高牛奶生产质量和优化奶酪特性的奶农提供了资源支持。
-
基于高光谱成像与深度学习的杏仁缺陷及新鲜度检测系统
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Shih-Yu Chen, Mei-Yun Wang, Yung-Ming Kuo, Yu-Chia Chan & Yi-Cheng Chen
食品标签
豆类与坚果(及籽类) 颜色与外观品质 微生物安全 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱 多模态/融合数据杏仁被认为是一种营养丰富、低热量的零食,富含不饱和脂肪和必需营养素,主要从加利福尼亚进口。尽管经过美国农业部(USDA)的分级控制,但人们对缺陷杏仁核的存在仍然存有担忧。手工挑选是杏仁加工的传统方法;然而,长时间的挑选会因视觉疲劳而降低准确性。由于真菌可能产生黄曲霉毒素,消费者优先考虑新鲜度,这强调了需要警惕杏仁消费。为了应对这些挑战,本研究提出了一种创新方法,采用轻量级VGG16和改进的MobileNet模型,基于杏仁的RGB图像识别缺陷。该方法能有效分类破碎、刮伤和畸形杏仁核。此外,收集了400-1000 nm范围内的高光谱成像(HSI)数据,以区分虫害杏仁与完好杏仁,并评估杏仁的新鲜度。为了进行比较分析,应用了各种波段选择算法来提取不同的光谱波段。对于虫害识别,我们提出了一种通过同时结合1D-CNN和2D-CNN创建的合并CNN模型,允许同时提取光谱和空间特征。该方法实现了0.9905的准确率(ACC)和0.9521的Kappa值。同时,在评估新鲜度时,采用PCA选择前30个主成分作为关键波段。我们提出的轻量级1D-CNN在新鲜度评估中实现了0.9768的准确率(ACC)和0.9527的Kappa值。
-
基于拉曼光谱与可解释性支持向量机的 Omega-3 鱼油补充剂鉴别方法
查看原文2024
Food Control
中科院一区JCR一区Wedilley F. Soares, Billy D. Chhinchin-Piñan, Renato M. Silva & Jailer E.L. alla
食品标签
动物油脂 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸计算机标签
支持向量机 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集近年来,利用机器学习算法开发自动化分析方法和智能传感器的相关研究显著增多。尽管这类算法通常能展现出优异性能,但其可解释性较差仍是主要局限性之一。本研究提出一种高效的认证方法,用于鉴别获得认证的 Omega-3 鱼油膳食补充剂,该方法基于振动光谱技术(拉曼光谱法)与具有化学可解释性的机器学习算法(区间支持向量机,iSVM)。研究以无损方式采集了 248 份认证 Omega-3 鱼油样品和 520 份非认证样品的拉曼光谱。通过将 iSVM 的判别能力与对应光谱区间内的拉曼特征峰相关联,揭示了认证与非认证补充剂在化学成分上的关键差异。研究对方法的各项性能指标(如准确率、F1 分数)进行了估算与严谨分析,并利用独立样品开展额外的外部验证,以评估模型的稳健性与泛化能力。结果表明,所提出的拉曼光谱 - 区间支持向量机(Raman-iSVM)方法不仅具备出色的化学可解释性(证实不饱和脂肪酸的拉曼特征峰对样品鉴别至关重要),还具有高准确率(内部验证集与外部验证集准确率分别达 96% 和 92%)、检测快速、设备便携、计算成本低等优势。因此,本研究认为该方法可直接应用于 Omega-3 鱼油补充剂及其他食品的现场质量监测。