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
-
基于生物标志物与关键风味物质筛选的酱香型白酒不同质量等级机器学习鉴别与预测
查看原文2024
Food Chemistry:X
中科院一区JCR一区Shuai Li,Jun Lu,Tao Li,Yueran Han,Shuyi Qiu,Pei Yan,Guohui Li,Tingting Ren & Ming Yan
食品标签
酒精饮料 感官科学与消费者研究 特征风味 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 组学数据基酒的质量等级直接决定了酱香型白酒的最终品质。然而,传统的等级评定方法往往依赖主观经验,缺乏客观性和准确性。本研究采用气相色谱-氢火焰离子化检测器(GC-FID),结合定量描述分析法(QDA)和气味活度值(OAV),鉴定出27种关键风味化合物,包括乙酸、丙酸、油酸乙酯和异戊醇等,它们是导致质量等级差异的重要因素。此外,还发现16种细菌生物标志物(包括Komagataeibacter菌和醋酸杆菌等)以及7种真菌生物标志物(包括曲霉和红曲霉等)是影响这些差异的关键微生物。同时,酒醅中的还原糖含量对基酒质量有显著影响。最后,本研究对11种机器学习分类模型和9种预测模型进行了评估,筛选出用于准确进行质量等级分类和预测的最优模型。该研究为完善酱香型白酒的评价体系和保证产品质量稳定性奠定了基础。
-
深度机器学习利用多光谱成像识别鱼肉
查看原文2024
Current Research in Food Science
中科院一区JCR一区Zhuoran Xun, Xuemeng Wang, Hao Xue, Qingzheng Zhang, Wanqi Yang, Hua Zhang, Mingzhu Li, Shangang Jia, Jiangyong Qu & Xumin Wang
食品标签
鱼肉 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
支持向量机 随机森林 主成分分析/判别分析 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品欺诈在水产食品市场中十分普遍,因此需要快速且无损的鱼肉鉴别方法。本研究结合基于线粒体COI基因的鉴定方法,采用多光谱成像(MSI)技术对中国烟台周边海域常见的20种可食用鱼类的肉片进行了筛选。研究发现,由多光谱成像数据转换得到的nCDA图像在这20种鱼类的肉片上显示出显著差异。随后,我们采用8种模型,基于保留法(将数据集按70%用于训练、30%用于测试)对它们的预测性能进行了比较。卷积神经网络(CNN)、二次判别分析(QDA)、支持向量机(SVM)和线性判别分析(LDA)模型在交叉验证和测试数据上表现良好。其中,CNN和QDA在测试集上的准确率达到了99%以上。通过提取CNN特征并进行优化,所有物种都实现了高度的分离。此外,基于随机森林(RF)中的基尼指数,我们筛选出11个波段作为CNN的关键分类特征,准确率达到了98%。本研究成功构建了一个将机器学习模型(尤其是CNN)应用于多光谱成像鱼肉鉴别的流程,并为未来鱼肉的市场销售鉴别提供了一种便捷、无损的方法。
-
利用基于SERS的传感器结合化学计量模型快速定性定量分析虾中的苯并(b)荧蒽(BbF)
查看原文2024
Food Chemistry
中科院一区JCR一区Selorm Yao-Say Solomon Adade, Hao Lin, Nana Adwoa Nkuma Johnson, Sun Qianqian, Xorlali Nunekpeku, Waqas Ahmad, Bridget Ama Kwadzokpui, John-Nelson Ekumah, & Quansheng Chen
食品标签
其他肉与水产品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 K-近邻 主成分分析/判别分析 红外/拉曼光谱数据苯二氮䓬(b)氟anthen(BbF)是一种多环芳烃(PAH),是海鲜中值得关注的致癌污染物。本研究开发了一种简单、快速、灵敏且经济高效的表面增强拉曼散射(SERS)传感器(AuNPs),结合化学计量模型,用于检测虾样本中的BbF。偏最小二乘(PLS)回归模型采用无信息变量消除(UVE)、自助软缩(BOSS)和竞争性自适应加权抽样(CARS)进行优化。通过主成分分析(PCA)、线性判别分析(LDA)和k最近邻(KNN)进行定性分析,以区分受BbF污染和未污染的虾样本。SERS传感器表现出极佳的灵敏度(LOD = 0.12 ng/mL)、重复性(RSD = 6.21%)和抗干扰性能。CARS-PLS模型展现出卓越的预测能力(R2= 0.9944),定性分析区分了受污染和未受污染的样本。传感器的准确性通过HPLC验证,展示了SERS传感器结合化学计量学能够快速且可靠地检测虾样本中的BbF。
-
牛奶-卡拉胶断裂强度和凝胶强度的化学计量学研究
查看原文2024
Food Hydrocolloids
中科院一区JCR一区Oksana Mykhalevych, Henrik Stapelfeldt, Federico Marini & Rasmus Bro
食品标签
液态乳 乳化剂/稳定剂/增稠剂 质构与流变性质 质构与流变测试 光谱/色谱/质谱等分析方法计算机标签
支持向量机 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据利用化学计量学和机器学习工具研究了卡拉胶分子结构和组成与其牛奶凝胶特性之间的关系。分析了κ-卡拉胶和κ/ι杂交卡拉胶类型的凝胶强度和断裂强度,这对它们在食品工业中作为胶凝和增稠剂的应用至关重要的应用至关重要。采用了四个分析平台:傅里叶变换红外光谱、核磁共振波谱、带多角度光散射检测的体积排阻色谱以及电感耦合等离子体质谱,旨在表征分子结构和组成,以预测牛奶-卡拉胶的断裂强度。应用单块和多块预测建模技术来预测功能特性,挑战了传统仅依靠单一分析平台的预测方法。在考察多块建模的过程中,特别是通过序贯正交化偏最小二乘法,研究评估了加入更多分析块所带来的附加值。虽然添加SEC-MALS和ICP-MS数据未显著改善预测模型,但这些额外数据丰富了对卡拉胶结构-功能关系的因果理解。
-
基于机器学习的双通道CRISPR/Cas12a微滴无扩增核酸传感器在食品真伪检测中的应用
查看原文2024
ACS Nano
中科院一区JCR一区Zhiying Zhao, Roumeng Wang, Xinqi Yang, Jingyu Jia, Qiang Zhang, Shengying Ye, Shuli Man & Long Ma
食品标签
畜肉 禽肉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
随机森林 分类/鉴别/等级评定 可见光/RGB/视频数据开发新型肉类物种真实性检测技术势在必行。我们在此研发了一个名为CC-drop(CRISPR/Cas12a数字化单分子微滴生物传感器)的机器学习支持双通道微滴生物传感平台,用于肉类物种真实性检测。该策略使我们能够快速识别和分析食品中的动物源性成分。该生物传感器基于CRISPR/Cas12a的荧光点亮检测技术,核酸信号可被Cas12a-crRNA二元复合物识别,从而扳机旁观者报告单链(ss)DNA的顺式切割,在此过程中核酸信号可被转化并放大为荧光读数。通过将反应体积从皮升级降至超局部化微滴反应器,我们构建了可容纳上述反应的检测体系,从而进一步提高灵敏度,甚至实现了无需扩增的核酸检测。此外,我们还开发了一款智能手机应用程序,结合基于面积、荧光强度和计数等参数的随机森林机器学习模型,以确保图像记录和处理的准确性,样本到结果的分析时间控制在80分钟以内。值得注意的是,该生物传感器能够精准检测深加工肉制品中通常存在DNA片段化的ND1(猪源性特异基因)和IL-2(鸭源性特异基因),平行对比实验显示其结果比传统实时聚合酶链式反应更稳定可靠。总体而言,该生物传感器有望在未来用于食品真伪鉴别及其他核酸快速检测领域。