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
-
人工智能方法能为椰枣(Phoenix dactylifera L.)的改进与高效采收及采后处理带来什么?综述
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Younes Noutfia & Ewa Ropelewska
食品标签
新鲜水果 保藏与贮藏 品质、结构与理化性质计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 文本/知识库/法规数据椰枣(Phoenix dactylifera L.)以其基因型的多样性而闻名,这些基因型在形状、颜色、质地、味道以及其他物理感官属性和生化成分方面均存在差异。这种多样性在农场规模以及处理、加工和储存设施中带来了复杂、漫长且繁琐的工作,旨在生产符合消费者偏好和需求的标准化、均质化最终产品。为了缓解这一问题,近年来人工智能(AI)技术和计算机视觉技术的应用呈现出日益增长的重要性和特定趋势,因为它们被认为是准确、客观、非破坏性、快速且高效的新兴技术。在此背景下,本文全面阐述了AI技术和计算机视觉在椰枣采收及采后评估中的关键应用,这些应用基于(例如)卷积神经网络和人工神经网络等分类模型和算法。因此,本文讨论了AI领域中椰枣数据集的重要性,并链接了椰枣领域所有可访问的数据集。此外,本文通过五个章节详细介绍了应用于椰枣采后的可用相关AI工具和方法,涵盖从成熟度区分到贮藏,以及其他关键处理操作如分选、分级等。总而言之,本综述表明这些智能技术可以在改善整个椰枣产业价值链方面发挥重要作用并提供新的机遇。
-
机器学习助力构建人类肠道微生物群的群体感应通信网络
查看原文2024
Nature Communications
中科院一区JCR一区Hengbin Cheng, Jingyu Yang, Zhong Wang & Ling Lu
食品标签
发酵食品及酱腌制品 肠道健康与微生物相关功能 组学与高通量技术 其他方法 益生菌/益生元/合生元计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据 大规模数据集群体感应(QS)是一种细菌间进行细胞间通讯的机制,用于协调群体行为,这对于肠道微生物群的稳定以及宿主健康至关重要。然而,肠道微生物群的复杂性使得全面解析群体感应通讯网络变得极具挑战性。在此,我们开发了一种基于机器学习的流程——QS-Net,用于从宏基因组数据中识别群体感应信号和受体,并构建人类肠道微生物群的群体感应通讯网络。我们整理了一个大规模的群体感应蛋白质序列数据集,并训练了机器学习模型,以高精度分类群体感应合酶和受体。将 QS-Net 应用于人类肠道宏基因组,我们揭示了一个复杂的群体感应网络,涉及多种细菌物种和信号分子,包括 N-酰基羟赖氨酸乳素和自诱导剂 - 2。我们的分析确定了关键的群体感应枢纽以及可能影响肠道健康和疾病的潜在跨物种相互作用。这项研究为理解肠道微生物群的化学语言及其对人类健康的影响提供了有价值的资源和强大的工具。
-
AlphaFold 3.0预测揭示油酸与辅脂肪酶的相互作用强于棕榈酸
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Liyou Zheng, Xiaoting Zhou, Zhan Ye & Tao Zhang
食品标签
营养与生物功能 其他理化与结构表征 动力学建模 脂质与脂肪酸计算机标签
深度学习 定量预测/回归分析 模拟与数字孪生 合成/仿真数据为主柯利酶与脂肪酶之间的相互作用对于脂肪的消化至关重要,但其他因素的作用机制仍不清楚。本研究探讨了由柯利酶促进的胰脂肪酶水解的动态过程,重点研究了脂肪酸和钙离子的调节作用。通过使用包括 AlphaFold 3.0 的见解在内的计算模型,我们阐明了对于水解活性至关重要的结构相互作用。预测结果强调了钙离子在改变脂肪酸与脂肪酶-柯利酶复合物之间的相互作用方面所起的重要作用,从而改变了催化效率。我们进一步证明,较慢的水解速率与柯利酶与油酸之间的更强结合亲和力有关,以及在钙离子存在的情况下,油酸占据脂肪酶催化口袋的情况。AlphaFold 的预测为实验验证和潜在应用提供了坚实的基础。这些发现为饮食中的脂肪消化提供了更深入的见解,并突出了针对营养不良中脂肪消化问题的干预措施的潜在途径。
-
基于机器学习的太赫兹无损检测花生种子质量研究
查看原文2024
Food Chemistry: X
中科院一区JCR一区Weibin Jiang, Jun Wang, Ruiquan Lin, Riqing Chen, Wencheng Chen, Xin Xie, Kan-Lin Hsiung & Hsin-Yu Chen
食品标签
豆类与坚果(及籽类) 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
卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱快速鉴定花生种子质量对公众健康至关重要。在本研究中,我们提出了一种采用卷积神经网络(CNN)机器学习方法的太赫兹波成像系统。太赫兹波能够穿透种壳识别花生质量,且不会对种子造成任何损伤。我们研究了种子质量在太赫兹波图像上的特异性,并总结了五种不同质量种子的图像特征。将太赫兹波图像数字化后用于卷积神经网络的训练和测试,使得该模型在质量鉴定中的准确率高达98.7%。经过训练的太赫兹-卷积神经网络系统能够准确识别标准种子、霉变种子、有缺陷种子、干燥种子和发芽种子,平均检测时间为2.2秒。该过程不需要任何样品制备步骤,如浓缩或培养。我们的方法能够快速、准确且无损地评估带壳种子的质量。
-
基于近红外(NIR)光谱结合Adaboost - 最大不确定性线性判别分析的花生仁高精度分类与产地溯源
查看原文2024
Current Research in Food Science
中科院一区JCR一区Rui Zhu, Xiaohong Wu, Bin Wu & Jiaxing Gao
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据花生仁因其较高的营养价值和适口性,被归类为坚果类食品。本研究对中国山东省6个不同城市的花生仁样品进行了检测,以对其进行分类和溯源。使用便携式NIR-M-R2光谱仪采集样品的近红外(NIR)光谱。在应用Savitzky-Golay(SG)滤波后,尝试采用主成分分析(PCA)结合线性判别分析(LDA)进行分类。此外,还应用了最大不确定性线性判别分析(MLDA)作为对比。特定数量的特征向量可分别使分类准确率达到最高,其中PCA + LDA为81.48%,MLDA为76.54%。为进一步提高分类准确率,提出了Adaboost-MLDA方法来构建更强的分类器。该方法经过18次迭代后效果显著,准确率高达95.06%。同样地,采用多元散射校正(MSC)+ SG和标准正态变量(SNV)+ SG的预处理技术进行增强后,准确率分别提升至98.77%和97.53%。文中还描述了使用Adaboost-MLDA对一阶和二阶导数光谱进行分类的结果,其准确率接近100%。实验表明,将Adaboost与近红外光谱相结合,为花生仁分类提供了一种高精度的方法,在食品质量控制的实际应用中具有良好前景。