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
-
基于高光谱图像分析的泡菜发酵与质量特性化学计量学评估
查看原文2024
Food Research International
中科院一区JCR一区Ji-Young Choi, Minjung Lee, Minji Kim, Mi-Ai Lee, Sung Gi Min, Young Bae Chung, Ji-Hee Yang & Sung Hee Park
食品标签
蔬菜发酵制品 特征风味 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 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱泡菜是一种通过发酵蔬菜制成的韩国传统菜肴。发酵过程对于提升其在储藏期间的品质和风味至关重要。高光谱成像(HSI)和化学计量学方法,包括主成分分析(PCA)和二维相关光谱(2D-COS),结合偏最小二乘法(PLS)和支持向量回归(SVR),能够检测关键物理化学成分以及总可溶性固形物(TSS)、pH、可滴定酸度(TA)、盐度和乳酸菌(LAB)的变化。研究开发了多变量分析模型,利用全波段和特征波长以及预处理数据来预测质量特性。结果表明,使用全波段构建的PLS预测模型对TSS、盐度、pH、TA和LAB的预测残差比(RPD)值分别为1.57、2.33、2.79、2.91和2.73。基于PCA和2D-COS矩阵提取的特征波长(951、1020、1139、1174、1216、1321和1384 nm)建立的Savitzky-Golay一阶导数预处理SVR模型显示出最佳结果,并在预测pH(R2 = 0.9166, RPD = 3.281)和LAB数量(R2 = 0.8488, RPD = 2.466)方面提高了效率。此外,可视化过程准确描绘了不同时期泡菜各种质量指标的分布情况。这些结果表明,所提出的HSI策略成功地评估了泡菜的发酵程度。
-
化学计量学与数据非依赖采集蛋白质组学联用技术用于肉类真实性生物标志物发现:基于有机与无抗生素养殖系统下Ross 308和Ranger Classic鸡早期死后胸大肌蛋白质组的研究
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Laura Alessandroni, Gianni Sagratini & Mohammed Gagaoua
食品标签
禽肉 食品安全与风险评估 蛋白质组学 蛋白质与氨基酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据许多因素,如养殖方式和宰前饲养方式等,都会对家禽的生理和代谢功能产生影响,进而对家禽肉的品质产生影响。在本次试验中,采用无标签的鸟枪法蛋白质组学技术来分析罗斯 308 和兰杰经典鸡品种在两种不同的养殖系统(即有机养殖和无抗生素养殖)下的宰后胸大肌蛋白质组。通过使用部分最小二乘判别分析(PLS-DA)的化学计量学方法与鸟枪法蛋白质组学技术相结合,能够清晰地区分不同的组别。鸡品种通过抗生素无添加养殖系统和有机养殖系统内蛋白质丰度的差异得以区分,分别为 73 种和 62 种蛋白质。罗斯 308 和兰杰经典鸡品种内 71 种和 52 种蛋白质的丰度受养殖系统的影响不同。这些分析提出了几个可能的肉品真实性生物标志物,这些标志物与肌肉结构和能量代谢途径有关。这项研究在阐明蛋白质组学分析和化学计量学在鸡肉中的应用潜力方面迈出了重要的一步,这或许能为有效评估鸡肉的真伪提供机会。
-
基于基因组的机器学习用于预测从鸡中分离的沙门菌的抗微生物药物抗性
查看原文2024
LWT
中科院一区JCR一区Edmund O. Benefo, Padmini Ramachandran, & Abani K. Pradhan
食品标签
禽肉 微生物安全 基因组学 其他特殊成分计算机标签
支持向量机 随机森林 梯度提升决策树 分类/鉴别/等级评定 组学数据抗微生物抗药性(AMR)仍然对公共健康构成严重威胁。AMR负担的增加是由农业中抗微生物制剂的滥用推动的。本研究的目的是开发一个基于基因组的机器学习模型,以预测从鸡肉中分离的沙门氏菌的抗微生物抗药性。将来自鸡肉的205株沙门氏菌分离株的基因组信息与其对阿莫西林-克拉维酸、氨苄青霉素、头孢噻肟、头孢曲松、磺胺异恶唑、链霉素、四环素和头孢西丁的AMR表型数据结合起来。使用四种机器学习算法,即逻辑提升(logit boost)、随机森林、支持向量机和极端梯度提升(extreme gradient boosting)对这些数据进行训练,以构建模型。对于每种抗菌药物,表现最佳的模型被用来预测来自鸡肉的另一组200个沙门氏菌分离株的AMR表型,并将预测结果与ResFinder的AMR表型预测进行了比较。机器学习模型在所有抗菌药物中表现出高敏感性(≥0.833)、特异性(≥0.833)和平衡准确性(≥0.866)。这些模型预测的耐药率从1%(头孢曲松)到65.5%(链霉素)不等。当将机器学习模型的AMR表型预测与ResFinder的预测进行比较时,本研究的预测准确率高(>95%)。
-
使用便携式拉曼光谱法识别威士忌的学习算法
查看原文2024
Current Research in Food Science
中科院一区JCR一区Kwang Jun Lee, Alexander C. Trowbridge, Graham D. Bruce, George O. Dwapanyin, Kylie R. Dunning, Kishan Dholakia & Erik P. Schartner
食品标签
酒精饮料 品质、结构与理化性质 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
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据由于行业内品牌替换和质量控制问题日益突出,对威士忌等高价值产品进行可靠鉴定至关重要。我们开发了一种新颖的框架,通过将机器学习模型与便携式拉曼设备相结合,无需人工干预即可直接从原始光谱数据中进行威士忌分析。我们证明,对于28个商业样品,机器学习模型在品牌或产品鉴定方面的准确率可超过99%。为了展示这种方法的灵活性,我们使用相同的算法来量化乙醇浓度,并测量加标威士忌样品中的甲醇含量。为了展示这些算法在实际环境中的潜在应用,我们通过原始威士忌酒瓶对光谱测量结果进行了算法测试。通过酒瓶进行测量之所以成为可能,是因为采用了一种迄今为止尚未与机器学习结合应用于威士忌品牌鉴定的光束几何结构。无需倒出酒液这一特点极大地提高了该技术的实用性和商业潜力,使其能够用于检测假冒或掺假的烈酒及其他高价值液体。本文所建立的技术旨在作为一种快速、非破坏性的初步筛选机制,用于检测伪造和篡改的烈酒,以补充更全面、更严格的分析方法。
-
集成机器学习作为一种数学方法,用于预测在高电压电场辅助下使用活性多孔电极去除大豆油中的色素和氧化指标
查看原文2024
LWT
中科院一区JCR一区Maryam Mousavifard, Elahe Abedi, & Kazem Alirezalu
食品标签
植物油 非热加工技术 颜色与外观品质 氧化、褐变等化学变化 常规理化指标测定 花青素与类胡萝卜素计算机标签
机器学习/统计学习 支持向量机 定量预测/回归分析多孔电极材料为电化学反应提供了较大的表面积,并有效促进离子传输。通过优化多孔电极的设计和性能,可以提升漂白性能。在本研究中,采用了三种机器学习 (ML) 算法,即支持向量回归、岭回归和决策树回归,用于预测不同高压电场辅助漂白 (HVEFAB) 条件下的漂白效率。随后,将这些模型的结果与通过前述算法组合创建的集成模型进行了比较,集成方法包括装袋(bagging)、提升(boosting)和堆叠(stacking)三种技术。随着电压的增加、电极表面的改性、阴阳极数量的变化以及惰性电解质的存在,叶绿素和类胡萝卜素的水平降低了。同时,红色和叶绿素的减少比黄色和类胡萝卜素的减少更显著。此外,应用 HVEFAB 可能降低极性化合物(如电极表面氧化化合物)的含量。基于 MSE、MAE 和 R² 指标,算法在预测输出 1(颜色指数)和 2(氧化指数)方面的效果可按以下顺序排列:Stacking > Boosting > Bagging > 决策树(DT)> 岭回归 > 支持向量回归(SVR)。研究结果表明,将这三种模型整合,主要通过 stacking 技术,显著提高了预测模型的准确性。与响应面法(RSM)相比,粒子群优化(PSO)和多项式回归代表了预测红色去除的更优模型。