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
-
基于高光谱成像与可解释深度学习的甘薯无损质量预测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Md. Toukir Ahmed, Arthur Villordon & Mohammed Kamruzzaman
食品标签
其他根茎类 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱高光谱成像(HSI)与深度学习(特别是卷积神经网络CNN)的近期结合,为采后食品的准确预测分析提供了一种无损且创新的方法。本研究利用HSI和基于CNN的回归方法,通过从可见光-近红外HSI系统(400-1000 nm)捕获的图像中提取光谱数据,来预测不同甘薯品种的硬度。采用贝叶斯优化(BO)对CNN的超参数进行微调,与传统的偏最小二乘回归(PLSR)模型相比,预测均方根误差(RMSE)降低了18.42%。此外,应用可解释人工智能技术来解释CNN模型并评估各波长变量的贡献。基于重要波长建立的CNN模型被用于可视化甘薯样本中硬度的空间分布。分析结果突显了将可解释深度学习与HSI结合应用于先进采后分析的效率和日益增长的重要性。
-
基于表面FTIR的黑稻种质采集中高通量酚类抗氧化物筛选机器学习方法
查看原文2024
Food Chemistry
中科院一区JCR一区Achini Herath, Rhowell Jr Tiozon, Tobias Kretzschmar, Nese Sreenivasulu, Peter Mahon, & Vito Butardo Jr
食品标签
谷物/块根/豆与坚果类 营养与生物功能 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集色素米含有有益的酚类抗氧化剂,但对不同品种的米进行这些抗氧化剂的分析是一项费时费力的工作。在此,我们利用快速表面傅里叶变换红外(FTIR)光谱技术以及机器学习算法(ML)来预测和分类多酚类抗氧化剂。从 270 种来自全球不同地区的彩色米品种中,通过生物化学方法定量测定了总酚类物质、黄酮类化合物、花青素和原花青素。通过在 800 - 4000 cm−1 范围内扫描整粒米的表面获得了衰减全反射(ATR)傅里叶变换红外光谱。利用这些生化和光谱数据优化了五个机器学习分类模型,其预测准确率在 93.5%至 100%之间。随机森林和支持向量机模型确定了与黄酮醇、黄酮类化合物和花青素相关的关键傅里叶变换红外峰是重要的模型预测因子。这项研究成功地建立了色素米糊粉层的直接且非破坏性的表面化学光谱技术,并将其与机器学习模型相结合,形成了一种可行的高通量平台,以加速营养丰富的彩色米品种的分析和鉴定。
-
基于荧光"关-开"模式的智能手机辅助传感器在食品安全现场检测中的研究进展:综述
查看原文2024
Chemical Engineering Journal
中科院一区JCR一区Wei Fu, Xiaqing Fu, Zhemin Li, Zhifang Liu & Xian Li
食品标签
食品安全与风险评估 化学污染物 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
智能手机/其他随着技术持续进步与新应用场景的涌现,精准快速的现场检测传感器对食品质量安全监测与控制至关重要。智能手机卓越的摄影与图像处理能力极大地促进了传感器微型化、集成化及可视化监测发展,使其成为便携式实时检测的重要工具。"关-开-关"型荧光传感器因其高灵敏度、优异选择性、强抗干扰能力及可定制探针结构等显著特征受到广泛关注。在此背景下,基于"关-开-关"荧光信号的智能分析与传感系统便携式传感器已有大量报道,凸显了其在各领域的巨大潜力与应用价值。然而,目前仍缺乏对基于智能手机的"开-关-开"荧光驱动现场检测平台的系统性综述。本文旨在填补这一空白,通过详尽阐释"开-关-开"荧光响应过程,深入介绍常用荧光材料及其设计原理。此外,本文全面评述了基于"开-关-开"荧光方法的便携式传感器在食品安全检测中的最新应用进展。最后,本研究对基于智能手机的传感系统所面临的挑战与未来发展方向进行了深度剖析。本综述旨在为理解和设计便携式传感器提供有价值的理论依据,最终推动污染物实时检测朝着更高效、更精准的方向发展。
-
用于窄地理产地红茶鉴别的机器学习:PCA 与 PLS 结合 LDA 和 SVM 分类器
查看原文2024
LWT
中科院一区JCR一区Nahid Mohammadi, Mahnaz Esteki, & Jesus Simal-Gandara
食品标签
茶/茶饮料 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
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/拉曼光谱数据本研究探讨了使用紫外-可见光(UV-Vis)光谱结合机器学习方法,根据窄经度带(200公里)内茶样的地理来源来鉴定茶样的可行性。应用了多种预处理方法,如标准正态变换(SNV)、自动缩放、乘法散射校正(MSC)、均值中心化(MC)、一阶导数及其组合,以消除非信息性信息。使用一阶导数光谱的偏最小二乘线性判别分析(PLS-LDA)模型显示以下结果:灵敏度为98.0%,特异性为99.5%,平均准确度为98.0%。使用一阶导数光谱的支持向量机(PLS-SVM)分类器显示灵敏度为94.0%,特异性为98.6%,平均准确度为94.0%。模型的令人满意的结果表明,茶叶的化学成分,如多酚、绿原酸和吸收紫外线的脂肪酸,是可以根据地理来源区分茶叶样品的化学标记。因此,紫外-可见光光谱指纹结合机器学习方法,可能是一种基于狭长经度带茶叶地理来源进行分类的实用、可行且简单的方法。
-
利用高光谱成像技术改进谷物干燥方法:一项可视化分析
查看原文2024
Current Research in Food Science
中科院一区JCR一区Sicheng Yang, Yang Cao, Chuanjie Li, Juan Manuel Castagnini, Francisco Jose Barba, Changyao Shan & Jianjun Zhou
食品标签
谷物/块根/豆与坚果类 品质、结构与理化性质 干燥保藏 光谱/色谱/质谱等分析方法计算机标签
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 高光谱/多光谱光谱本研究提出了一种基于高光谱成像技术(HSI)和多元分析的谷物不同干燥方法识别模型。采用旋转通风干燥、机械干燥和自然干燥三种不同方法对新鲜收获的谷物样品进行干燥处理。在388–1065 nm波段范围内采集样品的高光谱图像。利用主成分分析(PCA)提取样品的光谱特征,采用二阶概率统计滤波提取纹理特征。建立了具有不同特征的偏最小二乘回归(PLSR)干燥模型。同时,建立了基于光谱-纹理融合特征的反向传播神经网络(BPNN),以比较不同模型的识别效果。纹理分析表明,均值图像的轮廓最清晰,且机械干燥的纹理特征小于旋转通风干燥和自然干燥的纹理特征。利用光谱-纹理特征变量建立的BPNN模型在区分不同干燥方式下的谷物方面表现最佳,并基于特殊变量的相关系数得到了预测模型。将光谱和纹理特征值融合后进行伪彩色可视化表达,三种谷物干燥方法呈现出不同的颜色。本研究为不同干燥方法处理的谷物的无损快速检测提供了参考。