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
-
长程红外吸收光谱和快速质谱,用于快速在线测量红茶发酵中挥发性有机化合物
查看原文2024
Food Chemistry
中科院一区JCR一区Chongshan Yang, Leizi Jiao, Chunwang Dong, Xuelin Wen, Peng Lin, Dandan Duan, Guanglin Li, Chunjiang Zhao, Xinglan Fu, & Daming Dong
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 传统统计分析与回归计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 组学数据发酵是决定红茶品质的关键过程。传统的物理和化学分析耗时,无法满足在线监测的需求。现有快速检测技术无法确定发酵不同阶段产生的特定挥发性有机化合物(VOCs),导致模型可迁移性较差;因此,当前红茶发酵程度主要依赖茶师的感官判断。本研究采用了质子转移反应质谱(PTR-MS)和 傅里叶变换红外光谱结合不同注射方法采集样品中的VOCs,明确了特定VOC变化规则,并在主成分分析(PCA)后建立了极致学习机(ELM)模型,预测准确率分别达到95%和100%。最后,根据各自的优势,讨论了这两种技术在实际红茶生产中的应用场景。
-
利用可见光/近红外高光谱成像和扫描电子显微镜技术,研究黄曲霉与玉米粒之间的动态相互作用
查看原文2024
International Journal of Food Microbiology
中科院一区JCR一区Yao Lu, Beibei Jia, Seung-Chul Yoon, Xinzhi Ni, Hong Zhuang, Baozhu Guo, Scott E. Gold, Jake C. Fountain, Anthony E. Glenn, Kurt C. Lawrence, Feng Zhang, Wei Wang, Jian Lu, Chaojie Wei, Hongzhe Jiang & Jiajun Luo
食品标签
玉米 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
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据黄曲霉及其有毒代谢产物——黄曲霉毒素会侵染并污染玉米籽粒,对粮食安全和人类健康构成威胁。由于微生物生长和代谢过程的复杂性,真菌生长、玉米籽粒营养消耗与黄曲霉毒素产生之间的动态机制仍不明确。本研究采用可见/近红外(Vis/NIR)高光谱成像(HSI)结合扫描电子显微镜(SEM),从籽粒宏观和微观层面阐明关键的生物相互作用。由于籽粒损伤是真菌入侵的主要入口,本研究将损伤程度逐渐加重的玉米籽粒(从完整籽粒到穿孔籽粒再到被黄曲霉感染的对半切开籽粒)培养0-120小时。通过对高光谱图像进行主成分分析(PCA),分析黄曲霉-玉米籽粒复合体随时间变化的光谱指纹,其中前三个主成分的伪彩色得分图和载荷图用于研究真菌侵染的动态过程,并捕捉具有不同硬度的玉米基质复合体的细微变化。利用扫描电子显微镜从微观层面解释了黄曲霉的动态生长过程以及真菌-玉米复合体的相互作用。具体而言,在微观层面准确捕捉到了真菌的形态,如菌丝、分生孢子和分生孢子梗(柄),并描述了黄曲霉与玉米籽粒组织(即胚和胚乳)营养流失之间的相互作用过程。此外,基于偏最小二乘判别分析(PLSDA)建立的生长阶段判别模型取得了良好效果,校正集正确率(CCRC)为100%、验证集正确率(CCRV)为97%、独立验证集正确率(CCRIV)为93%;基于偏最小二乘回归(PLSR)建立的黄曲霉毒素B1(AFB1)预测模型也表现出色,校正集决定系数(R²C)为0.96、验证集决定系数(R²V)为0.95、独立验证集决定系数(R²IV)为0.93,相对分析误差(RPD)为3.58。综上所述,宏观层面(可见/近红外-高光谱成像)和微观层面(扫描电子显微镜)的评估结果揭示了黄曲霉-玉米籽粒复合体中的动态生物相互作用,这些详细数据可用于黄曲霉毒素的建模和定量预测,为真菌或毒素污染粮食的早期检测奠定理论基础,从而保障食品安全。
-
冷冻与解冻肉制品的人工智能研发:研究进展与未来展望
查看原文2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Jiangshan Qiao, Min Zhang, Dayuan Wang, Arun S. Mujumdar & Chaoyang Chu
食品标签
肉类/蛋类与水产品 加工与新加工技术 保藏与贮藏 品质、结构与理化性质 过程优化与控制策略计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化冷冻和解冻肉在稳定肉类供应链和延长肉类保质期方面发挥着重要作用。然而,传统的研发方法难以满足人们对质量、营养价值、创新性、安全性、生产效率和可持续性日益增长的需求。冷冻和解冻肉面临着一些特定挑战,包括解冻过程中的品质劣变。人工智能(AI)已成为解决冷冻和解冻肉研发中这些挑战的一种很有前景的方案。人工智能在感知、判断和执行方面的能力,在解决问题和执行任务中展现出巨大潜力。本综述概述了将人工智能技术应用于冷冻和解冻肉研发的架构,旨在让人工智能更好地实施并提供解决方案。与传统研发方法相比,本文全面总结了人工智能在该领域的当前研究进展和广阔应用前景,重点关注其在应对关键挑战(如解冻工艺快速优化)方面的作用。人工智能在冷冻和解冻肉的产品开发、生产优化、风险管理和质量控制等领域已取得成功。未来,基于人工智能的冷冻和解冻肉研发在推动个性化、智能化生产和可持续发展方面也将发挥重要作用。然而,挑战依然存在,包括对高质量数据的需求、复杂的实施过程、易变的工艺以及环境方面的考虑。为了充分发挥人工智能在冷冻和解冻肉研发中的潜力,需要进一步研究以开发更强大、更可靠的人工智能解决方案,如通用人工智能、可解释人工智能和绿色人工智能。
-
迈向在线奶酪监测:利用近红外和NMR光谱探索半硬质奶酪
查看原文2024
Food Chemistry
中科院一区JCR一区Harshkumar Patel, Violetta Aru, Klavs Martin Sørensen, & Søren Balling Engelsen
食品标签
乳及乳制品 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据本研究旨在探讨利用先进光谱学监测奶酪质量的潜力。为此,利用近红外光谱(NIRS)和质子核磁共振(PAB)研究了六种使用乳酸菌(LAB)和/或丙酸菌(PAB)制造的半硬奶酪(¹H NMR)光谱学。光谱数据采用主成分分析,以提取质量参数中可能的区分模式。结果显示,绿色分析型但主要对体积敏感的NIRS方法能够区分奶酪品种,主要原因是1650至1720纳米间第一泛音C单键氢拉伸区的差异,特别是乳酸亚甲基在1674纳米处的吸收差异。共鉴定了25种代谢物1奶酪提取物的H NMR光谱,其中几种与LAB和PAB代谢途径相关。PAB相关的代谢产物包括丙酸、醋酸和谷氨酸,而LAB相关的代谢产物包括乳酸和乙酰乙烷等。
-
利用拉曼光谱结合深度学习算法,研究热诱导猪肉面糊质量检测与变化机制
查看原文2024
Food Chemistry
中科院一区JCR一区Huanhuan Li, Wei Sheng, Selorm Yao-Say Solomon Adade, Xorlali Nunekpeku, & Quansheng Chen
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 蛋白质与氨基酸计算机标签
深度学习 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据猪肉面糊的质量对其成品有着重大影响。在此研究中,我们探索了利用拉曼光谱技术结合深度学习算法来快速检测猪肉面糊的质量,并揭示在加热过程中质量变化的机制。结果表明,加热增加了β-折叠含量(从26.38%增加到41.42%),并暴露了隐藏的疏水基团,这些基团通过化学键形成聚集物。主要的疏水相互作用进一步将这些聚集物交联起来,在80°C时形成了更均匀、更致密的网络。随后,比较使用了卷积神经网络(CNN)、长短期记忆神经网络(LSTM)和CNN-LSTM 来根据拉曼光谱预测面糊的凝胶强度和白度。其中,CNN-LSTM 在凝胶强度(Rp = 0.9515,RPD = 3.1513)和白度(Rp = 0.9383,RPD = 3.0152)方面提供了最佳结果。因此,本研究展示了拉曼光谱技术结合深度学习算法作为非破坏性工具预测猪肉面糊质量并阐明质量变化机制的潜力。