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
-
利用人工智能从数字图像预测牛胴体分割肉产量
查看原文2024
Meat Science
中科院一区JCR一区Daragh Matthews, Thierry Pabiou, Ross D. Evans, Christian Beder & Aengus Daly
食品标签
畜肉 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 超大规模/工业级数据集深度学习(DL)已被证明是许多图像分类问题的成功工具,但尚未应用于胴体图像。本研究旨在训练DL模型预测胴体分割肉产量,并将预测结果与更标准的机器学习(ML)方法进行比较。我们采用了三种方法来预测分组胴体分割肉产量,即烧烤用切块和烘烤用切块,分别使用了54,598头和69,246头动物的大数据集。所采用的方法是:(1)使用动物表型数据作为一系列ML算法的特征;(2)使用胴体图像训练卷积神经网络;(3)直接从胴体图像测量胴体尺寸,并结合相关的表型数据,作为ML算法的特征数据。结果表明,DL模型可以训练用于预测胴体分割肉产量,但使用胴体尺寸进行ML算法的方法在绝对数值上表现略好。
-
基于特征融合的食品蛋白亚细胞预测用于药物成分研究
查看原文2024
Food Chemistry
中科院一区JCR一区Haewon Byeon, Mohammad Shabaz, Janjhyam Venkata Naga Ramesh, Ashit Kumar Dutta, Richa Vijay, Mukesh Soni, Jagdish Chandra Patni, Maher Ali Rusho, & Pavitar Parkash Singh
食品标签
传统统计分析与回归 蛋白质与氨基酸计算机标签
机器学习/统计学习 主成分分析/判别分析 分类/鉴别/等级评定 组学数据膳食蛋白的结构和功能,以及其亚细胞预测,对于设计和开发新药物组成以及理解某些疾病的病理生理学至关重要。作为解决方案,我们提供了一种基于特征融合和聚类的亚细胞定位方法,用于膳食蛋白。此外,还建议采用一种增强型PseAAC(伪氨基酸组成)方法,该方法建立在传统PseAAC基础之上。该研究最初通过整合自相关、气密度和改进的PseAAC来构建一个新的模型,以更好地传达食物蛋白序列的信息。之后,通过主成分分析降低融合特征向量的维数。革氏阳性数据集的预测准确率分别为99.24%,革氏阴性数据集为95.33%,实验结果证明了该方法的可行性和有效性。本文主要探讨伪氨基酸组成,这并非临床层面,而是药物重定位的药物方面。
-
基于贝叶斯网络的数据驱动食品欺诈脆弱性评估:香料供应链
查看原文2024
Food Control
中科院一区JCR一区Y. Bouzembrcak, N. Liu, W. Mu, A. Gavai, L. Manning, F. Butler, H. J. P. Marvin
食品标签
香精香料 食品安全与风险评估 标准/法规/数据库分析计算机标签
逻辑回归/贝叶斯 分类/鉴别/等级评定 文本/知识库/法规数据 公开数据集鉴于调味品供应链中存在的食品掺假风险隐患,明确需要评估的产品品类与掺假类型,对于保障食品质量安全至关重要。本研究提出了一种基于贝叶斯网络(BN)与失效模式及影响分析(FMEA)的数据驱动型食品掺假风险评估方法,用于预测输欧调味品的掺假风险等级,同时明确供应链各环节对应的掺假类型与潜在掺假物质。该贝叶斯网络模型的构建,依托于 2005—2020 年欧盟食品饲料快速预警系统(RASFF)中通报的调味品相关掺假案例数据集。研究选取了辣椒、黑胡椒和姜黄这三类产品开展实例验证。模型验证结果显示,其预测准确率超过 95%。在调味品供应链的各项风险影响因素中,对掺假行为预测准确率最高的因素,与产品品类、干预节点及产品原产国密切相关。本研究构建的食品掺假风险评估方法,能够为食品行业从业者及监管部门提供支持,助力其更高效地分配监督核查资源,同时最大程度提升查获掺假产品的概率。
-
在决策层使用多元素融合信息监测红茶发酵过程中的主要滋味成分
查看原文2023
Food Chemistry: X
中科院一区JCR一区Ting An, Zhel Wang, Guanglin Li, Shuxiang Fan, Wenqian Huang, Dandan Duan, Chunjiang Zhao, Xi Tian & Chunwang Dong
食品标签
茶/茶饮料 品质、结构与理化性质 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类 多酚与黄酮 咖啡因计算机标签
智能手机/其他 特征工程与选择策略 定量预测/回归分析 过程控制与实时优化 高光谱/多光谱光谱 时序传感器/物联网数据 多模态/融合数据迄今为止,由于样本信息片面和模型性能不佳,红茶发酵质量的智能检测仍然是一个引人深思的问题。本研究提出了一种利用高光谱成像技术和电特性预测主要化学成分(包括总儿茶素、可溶性糖和咖啡因)的新方法。利用多元素融合信息建立定量预测模型。使用多元素融合信息的模型性能优于使用单一信息的模型。随后,采用融合数据结合特征选择算法的堆叠组合模型来评价红茶发酵质量。我们提出的策略比经典的线性和非线性算法获得了更好的性能,总儿茶素、可溶性糖和咖啡因的预测集相关系数(R)分别为0.9978、0.9973和0.9560。结果表明,我们提出的策略可以有效评价红茶发酵质量。
-
AFB1比色适配体传感器,用于基于金纳米颗粒和智能手机成像,检测十种不同杂豆中的AFB1
查看原文2023
Food Chemistry
中科院一区JCR一区Lifeng Lu, Runzhong Yu & Liyuan Zhang
食品标签
豆类与坚果(及籽类) 食品安全与风险评估 显微与成像技术计算机标签
智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据本研究建立了一种简便、快速、低成本、高灵敏、直观可视、无标记、比色且智能手机辅助的检测方法,用于杂豆中黄曲霉毒素B1的含量测定。以黄曲霉毒素B1核酸适配体为识别元件、金纳米颗粒为指示探针,采用改良QuEChERS(快速、简便、廉价、高效、稳定、安全)前处理方法,对十种不同品类杂豆样品进行处理与检测。实验探究了体系耗材用量、氯化钠浓度、孵育时间及特异性等影响检测灵敏度的关键因素。结果表明,在最优实验条件下,黄曲霉毒素B1在0.2~8.0纳克/克浓度范围内呈现良好线性关系,检出限为0.08纳克/克,线性回归方程为Y = 0.024X + 0.4615(相关系数R = 0.9989)。该传感器具备良好的检测特异性,可成功测定杂豆样品中黄曲霉毒素B1含量,加标回收率为87.18%~110.24%,全程检测耗时仅15分钟。该智能手机辅助比色适配体传感器可应用于杂豆中黄曲霉毒素B1的快速检测。