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
-
利用机器学习对小麦麸质酶解及发酵产物中的鲜味肽进行筛选与表征
查看原文2024
LWT
中科院一区JCR一区Haowen Chen, Chunxia Zhou, Guili Jiang, Jiawen Yi, Jingjing Guan, Meizhen Xu, Huiyan Zhao, & Donghui Luo
食品标签
小麦 其他酱腌/发酵食品 特征风味 光谱/色谱/质谱等分析方法 发酵工艺与动力学 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 质构/流变/感官数据为了探索经过谷氨酸棒杆菌(Corynebacterium glutamicum,C. glutamicum)发酵后具有不同水解度(DH)的麦麸蛋白水解物(WGHs)中的鲜味肽,建立了一种基于机器学习的鲜味肽高通量筛选方法。结果显示,发酵 4 天后,高 DH 的发酵 WGHs 呈现出更优的口感,并产生更多的小分子肽。发酵增加了 DH10、DH15 和 DH20 的 WGHs 中特征肽的数量。其中,DH15 的发酵 WGHs 是潜在鲜味肽的重要来源。筛选出六种潜在鲜味肽(QQLPQFEE、LSFE、EELR、YTCE、YTTD、EEDQ),并证明它们能通过氢键作用、电荷作用和疏水作用与 T1R1/T1R3 受体形成稳定复合物。肽与受体的亲和力在 -6.3 至 -8.1 千卡/摩尔范围内。GLU735、GLY755、SER734、SER757 和 THR227 是关键结合位点。感官评价和电子舌显示,六种肽表现出鲜味特征,并具有增强鲜味和咸味的能力。EEDQ 表现出最强的鲜味强度,而 QQLPQFEE 的鲜味阈值最低。本研究为有效筛选新的微生物来源鲜味肽提供了可靠的方法。
-
使用数字图像处理和机器学习分析红糖中糖分、矿物质和颜色的环保方法
查看原文2024
Food Research International
中科院一区JCR一区Vandressa Alves, Jeferson M. dos Santos, Olga Viegas, Edgar Pinto, Isabel M.P.L.V.O. Ferreira, Vanderlei Aparecido Lima & Maria L. Felsner
食品标签
糖、焙烤与糖果制品 品质、结构与理化性质 显微与成像技术 常量营养素(宏量) 矿物质与微量元素计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据红糖是一种通过热加工获得的天然甜味剂,具有有趣的营养特性。然而,其感官特性存在显著差异,直接影响产品质量和消费者选择。因此,开发快速的质量控制方法是可取的。本研究提出了一种快速、环保且准确的方法,用于同时分析红糖中的蔗糖、还原糖、矿物质和ICUMSA色值,采用了一种将智能手机获取的数字图像处理与机器学习相结合的创新策略。从数字图像中提取的数据,以及通过实验测定的理化特性和元素组成数据,被用作应用kNN算法建立预测回归模型的变量。所建立的模型对Ca、ICUMSA色值、Fe和Zn具有最高的预测能力,决定系数(R2)≥ 92.33%。蔗糖(81.16%)、还原糖(85.67%)、Mn(83.36%)和Mg(86.97%)的R2值较低。所有生成的预测模型数据离散度较低(RMSE < 0.235)。AGREE指标评估了绿色度,并确定所提出的方法优于传统方法,因为它避免了使用溶剂和有毒试剂,能耗最低,不产生有毒废物,并且对分析人员更安全。数字图像处理(DIP)与kNN算法的结合提供了一种快速、非侵入式且可持续的分析方法。它简化并改善了红糖的质量控制,能够生产出满足消费者需求和行业标准的甜味剂。
-
食品标签
品质、结构与理化性质 食品安全与风险评估 包装与智能监测 循环经济与绿色供应链 理化与结构表征计算机标签
机器学习/统计学习 过程控制与实时优化 多模态/融合数据食品保障体系(FAS) 是保障食品质量安全的关键所在,该体系可定义为一种系统化管理方案,贯穿食品从初始生产到最终消费的全流程,用于保障食品的安全性、品质及真实性。本研究提出智能食品保障体系(IFAS) 的概念,该体系能够借助智能传感器、数据处理系统及其他前沿技术,实现食品质量安全的检测与管控。本文综述了食品保障体系的研究现状,重点聚焦于食品保障的四大核心维度:食品品质、食品安全、食品真实性及食品防护。研究团队首先对食品保障领域的相关科学文献进行梳理,明确了各核心维度的定义及内在关联;随后在阐述食品保障体系基本概念与定义的基础上,全面综述了构建智能食品保障体系所需的智慧食品技术最新进展,包括精准农业系统、远程传感器及智慧食品管理系统等关键技术。本文还对构建智能食品保障体系过程中面临的挑战展开批判性分析,并探讨了未来的潜在发展方向。此外,研究重点指出,智能食品保障体系有望提升食品供应链的透明度与可追溯性,减少食品损耗与浪费以助力可持续发展,同时增强消费者对食品的信任度。
-
深度学习在食品真实性中的应用:近期进展与未来趋势
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Zhuowen Deng, Tao Wang, Yun Zheng, Wanli Zhang & Yong-Huan Yun
食品标签
品质、结构与理化性质 食品安全与风险评估计算机标签
深度学习 卷积神经网络 循环神经网络 生成对抗网络 分类/鉴别/等级评定背景:开发快速、高效、准确、可靠的食品真实性鉴别技术和方法对于食品质量保证至关重要。传统的机器学习算法在处理复杂样本数据时常常存在局限性,表现欠佳,特别是在处理复杂问题和大规模数据应用时。近年来,深度学习算法的出现预示着食品真实性鉴别领域取得了革命性突破,并且不断发展的深度学习将持续推动该领域的进步。
范围与方法:本综述概述了深度学习算法以及各种深度神经网络模型和结构,包括多层感知机、卷积神经网络、循环神经网络、自编码器、生成对抗网络和注意力机制。同时总结了这些模型的应用,以及集成模型与多种分析技术在食品真实性中的联合使用。此外,讨论了该领域深度学习的最新进展和趋势。
主要发现与结论:深度学习算法的强大能力,与广泛的分析技术相结合,提高了对不同食品成分分析的精确度和效率。同时,它们相对于传统机器学习算法具有明显优势,在食品真实性鉴别方面显示出巨大潜力。尽管深度学习应用仍面临一些挑战,但随着技术的不断进步,预计未来食品行业将出现更多的深度学习应用,以保障食品真实性。 -
一种综合策略,将化学特征分析与深度学习结合,用于筛选功能性食品抗凝血酶生物活性-化学质量标志物:以葛根为例
查看原文2024
LWT
中科院一区JCR一区Meiqi Liu, Zicheng Ma, Yalan Li, Piaopiao Yang, Meng Wang, Yanan Liu, Lili Sun, Meiling Chen, & Xiaoliang Ren
食品标签
其他果蔬制品/植物类 营养与生物功能 其他生物活性与健康效应 体外模型 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
深度学习 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 红外/拉曼光谱数据葛根(Pueraria lobata radix,PL)和川葛根(Puerariae thomsonii radix,PT)是营养丰富的药食同源植物,广泛应用于食品和保健品行业。它们都被用作药用葛根(Pueraria radix,PR)。在本研究中,通过化学指纹图谱结合深度学习的方法发现了与功能相关的活性标志物,以评估葛根。首先,建立了红外(IR)光谱指纹图谱。PL 和 PT 在指纹区的红外光谱不同。层次聚类分析(HCA)、主成分分析(PCA)和偏最小二乘法判别分析(PLS-DA)可以区分PL和PT样品。进一步应用超高效液相色谱-四极杆飞行时间质谱(UPLC-Q-TOF-MS)鉴定了PL和PT的主要成分,在PL中鉴定出30种化学成分,在PT中鉴定出15种化学成分。进行了体外抗凝血酶实验,以显示不同批次的PL和PT提取物,并可根据活性强弱进行区分。与抗凝血酶活性相关的潜在活性标志物通过PCA和PLS-DA进行了筛选。最终,应用分子对接结合BP-ANN、CP-ANN、SIMCA和SVMDA筛选出了3′-羟基葛根素、葛根素、3′-甲氧基葛根素、大豆苷元和大豆异黄酮作为功能性标志物。基于凝血酶的生物活性化学标志物组合发现策略是筛选PR质量标志物的有力工具。