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 276 条结果
-
高光谱成像作为一种无损技术用于评估食品的营养价值
查看原文2024
Current Research in Food Science
中科院一区JCR一区Juan-Jesús Marín-Méndez, Paula Luri Esplandiú, Miriam Alonso-Santamaría, Berta Remirez-Moreno, Leyre Urtasun Del Castillo, Jaione Echavarri Dublán, Eva Almiron-Roig & María-José Sáiz-Abajo
食品标签
基本营养价值评价 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类计算机标签
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 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据了解复合食品的能量和宏量营养素含量对于食品工业以及实施基于人群的膳食指南至关重要。然而,传统方法耗时较长,需要使用化学制品,且样品无法回收。我们假设,通过将高光谱成像系统(近红外和可见-近红外)与先前根据光谱特征拟合的数学模型相结合,可以便捷地测量异质食品的营养价值。研究收集了118个不同食品的样品,利用其高光谱成像数据作为预测因子,以其营养价值作为因变量来构建预测模型。研究筛选了十种不同的模型(多元线性回归、套索回归、岭回归、弹性网络回归、K近邻回归、决策树回归、偏最小二乘回归、支持向量机、梯度提升回归和随机森林回归)。结果显示,岭回归在所有参数上均取得了最佳效果。其中,蛋白质含量的预测性能最佳,测试集中的均方根误差(RMSE)为1.02,决定系数(R²)为0.88;其次是水分(RMSE为2.21,R²为0.85)、能量值(RMSE为21.84,R²为0.76)和总脂肪(RMSE为2.17,R²为0.72);碳水化合物(RMSE为2.12,R²为0.61)和灰分(RMSE为0.25,R²为0.38)的预测性能较差。本研究表明,将高光谱成像系统与有监督机器学习方法相结合,能够预测加工后的复合食品的能量和营养素值。
-
优化高容量工具结合二维气相色谱质谱,用于绘制生开心果挥发性有机化合物的图谱。关于按地理来源进行分类能力的概念验证
查看原文2024
Food Chemistry
中科院一区JCR一区Andrea Schincaglia, Luisa Pasti, Alberto Cavazzini, Giorgia Purcaro, & Marco Beccaria
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 其他植物化学物质计算机标签
随机森林 分类/鉴别/等级评定 组学数据通过使用高容量工具进行顶空采样,并随后采用综合二维气相色谱与质谱联用进行分析,开发出了一种优化的提取和分析原味开心果挥发性物质的程序。对来自不同地理区域的 18 个开心果样本的检测,最终确定了 99 种挥发性有机化合物(VOC)。通过线性保留指数、质谱相似性以及二维图位置等方法对分子进行了推测性鉴定。评估了去除污染物后,来自不同地理来源的一组样本的对齐数据矩阵中预处理和处理技术的影响。将对数变换与缩放相结合、用 z 分数进行归一化以及使用随机森林机器学习算法进行数据降维,生成了 16 种具有区分性的挥发性有机化合物分子。作为概念验证,首次使用原味开心果的挥发性化合物特征对其地理来源进行了初步分类。
-
使用可解释人工智能预测瑞典春燕麦中脱氧雪腐镰刀菌烯醇污染
查看原文2024
npj Science of Food
中科院一区JCR一区Wang X, Bouzembrak Y, Oude Lansink A. G. J. M. & van der Fels-Klerx H. J
食品标签
杂粮 化学污染物 暴露评估与风险表征计算机标签
随机森林 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据已知天气条件和农艺因素会影响镰刀菌属的生长,并最终影响燕麦中脱氧雪腐镰刀菌烯醇的污染。本研究旨在利用机器学习算法,在瑞典区域基础上开发预测春燕麦收获时DON污染的模型。分别针对农民、作物收集者和食品安全检查员,开发了三种模型作为区域风险评估工具。数据包括:不同燕麦生长期的天气数据、农艺数据、特定地点数据以及前一年的DON污染数据。结果表明:(1)随机森林模型能够预测收获时的DON污染,总体分类准确率至少为0.72;(2)早在6月即可做出良好预测;(3)不同燕麦生长期的降雨量、相对湿度和风速,其次是作物品种和海拔,是预测春燕麦收获时DON污染的最重要特征。
-
基于高光谱成像数据融合策略与改进深度学习方法的鲑鱼产地溯源
查看原文2024
Food Control
中科院一区JCR一区Ziyuan Wei, Haoling Liu, Jinghua Xu, Yihang Li, Jin Hu & Shijie Tian
食品标签
鱼肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
随机森林 梯度提升决策树 循环神经网络 其他深度学习结构 超参优化/自动机器学习 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据 中等规模数据集三文鱼因经济价值高昂,成为食品欺诈的高发对象,因此精准判定其产地,对于贸易开展、消费者权益保障及食品安全监管都至关重要。本研究旨在挖掘三文鱼高光谱成像(HSI)数据中的光谱与纹理特征,并探究深度学习方法及信息融合策略在三文鱼产地溯源中的应用潜力。研究一方面构建了基于改进蜣螂优化算法优化的双向门控循环单元(BiGRU)深度学习模型(CNN-BiGRU),以实现对高维数据的精准处理,完成三文鱼产地判别;另一方面通过堆叠随机森林、轻量级梯度提升机、梯度提升决策树这三个基模型,搭建了集成学习模型,并对集成学习模型与各基模型的预测性能开展了综合评估。结果表明,集成学习模型的分类性能持续优于各基模型;但相较于传统机器学习方法,深度学习模型在处理高维数据时表现出更优性能,尤其在处理融合数据时具备较强的稳健性。值得注意的是,MSADBO–CNN–BiGRU 模型在所有算法中脱颖而出,与未优化的 CNN 模型相比,其测试集准确率提升了 0.8%—7%,最优模型的测试集准确率高达 99.5%。综上,本研究证实,将深度学习与信息融合策略相结合,可实现对三文鱼产地的快速精准识别,为今后农产品溯源研究提供了方法参考与理论借鉴。
-
不同储存温度下生碎牛肉中大肠杆菌O157:H7生长的机器学习预测模型
查看原文2024
Meat Science
中科院一区JCR一区Serhat Al, Fatma Uysal Ciloglu, Aytac Akcay & Ahmet Koluman
食品标签
畜肉 微生物安全 微生物计数与生长曲线计算机标签
支持向量机 随机森林 逻辑回归/贝叶斯 智能手机/其他 定量预测/回归分析 质构/流变/感官数据产志贺毒素大肠杆菌(STEC)可能危及生命并导致重大疫情。通过在整个食品链各阶段采取控制措施,可以预防STEC相关感染。本研究针对这一问题,使用机器学习模型研究了接种混合菌株的生碎牛肉中,大肠杆菌O157:H7在不同温度下的生长情况。接种后,碎牛肉样品分别储存在4、10、20、30和37°C,并在0-96小时内进行21次重复计数以测定大肠杆菌O157的数量。采用机器学习方法(人工神经网络、随机森林、支持向量回归和多元线性回归)评估所获得的微生物数据,并进行统计比较以实现有效预测。决定系数(R²)和均方误差(MSE)是评估模型性能的两个关键标准,用于比较模型的预测值与观测值。随机森林模型在预测不同温度下大肠杆菌O157的生长性能方面表现出优越的性能,其R²为0.98,MSE为0.08。多元线性回归模型的预测值与观测值偏差较大,R²为0.66,MSE为2.7。我们的研究结果表明,机器学习方法可以预测碎牛肉中不同温度下大肠杆菌O157:H7的生长,从而帮助食品安全专业人员和法律机构主动评估污染风险并确定法律限值和标准。