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
-
通过近红外光谱在线监测康普茶发酵过程中总糖分:线性与非线性多重校准方法的比较
查看原文2023
Food Chemistry
中科院一区JCR一区Songguang Zhao, Selorm Yao-Say Solomon Adade, Zhen Wang, Jizhong Wu, Tianhuijiang Huanghan Li & Quansheng Chen
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据康普茶因其健康功效而广受认可,其在发酵过程中能够实现茶叶的高品质转化与利用。对康普茶生产过程进行在线监测,对于推动劣质茶渣的高值化利用具有重要意义。本研究采用近红外光谱技术(NIR),结合偏最小二乘法(PLS)、反向传播神经网络(BPANN)以及二者组合模型(PLS-BPANN),对康普茶中的总糖含量进行监测。研究共构建并评价了16种数学模型。结果表明,PLS-BPANN模型性能优于其他所有模型,其决定系数(R²p)为0.9437,预测均方根误差(RMSEP)为0.8600克/升,验证效果良好。研究结果证实,近红外光谱技术结合PLS-BPANN可作为一种无损、在线的技术手段,用于监测康普茶总糖含量的变化。
-
用于预测加工后食品中微量营养素组成的机器学习模型
查看原文2023
Current Research in Food Science
中科院一区JCR一区Tarini Naravane & Ilias Tagkopoulos
食品标签
基本营养价值评价 传统统计分析与回归计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据 文本/知识库/法规数据熟食的营养成分信息对食品制造商和消费者都很重要,而获取精确信息面临的一个主要挑战是,任何特定原料的生物样本在成分上都存在固有的差异。理想的解决方案应兼顾精确性和通用性,但目前的解决方案在能力上存在局限:分析方法成本过高,难以大规模应用;基于保留因子的方法可大规模应用但结果是近似值;动力学模型则是针对特定食品和营养素定制的。我们提供了一种替代解决方案,能够根据生食的成分预测多种熟食的微量营养素成分。该预测模型在现有的食品成分数据集上进行训练,与使用保留因子这一基准方法得到的预测结果相比,平均误差(涵盖所有食品、加工过程和营养素)降低了31%。我们的研究结果表明,在训练模型之前对数据进行缩放和转换,对于减轻任何产量偏差至关重要。本研究展示了机器学习方法相较于现有解决方案的潜力,此外还为未来食品成分数据的生成提供了指导,特别是在采样方法、数据质量检查和数据表示标准方面。
-
除DHA和EPA外,其他脂肪酸的同时氧化也导致鱼油特有的异味
查看原文2023
Food Chemistry
中科院一区JCR一区Yun-Qi Wen, Chang-Hu Xue, Hong-Wei Zhang, Li-Li Xu, Xiao-Han Wang, Shi-Jie Bi, Qian-Qian Xue, Zhao-Jie Li, Joaquín Velasco & Xiao-Ming Jiang
食品标签
动物油脂 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 分类/鉴别/等级评定本研究旨在从脂肪酸氧化角度探究鱼油异味的产生规律。研究发现,鱼油中两种主要ω-3多不饱和脂肪酸,即二十二碳六烯酸(DHA)和二十碳五烯酸(EPA),所产生的异味与鱼油本身的异味存在差异。结果表明,除DHA和EPA外,其他脂肪酸也会同时参与鱼油异味的形成。将DHA、EPA与葵花籽油的氧化样品进行复配,可成功模拟出鱼油的特征异味。由此可知,油酸和亚油酸的氧化过程同样会造成鱼油异味的生成。本研究采用气相色谱-离子迁移谱(GC-IMS)结合正交偏最小二乘判别分析(OPLS-DA)的新型分析方法,鉴别复配油与鱼油之间挥发性组分的差异。
-
比色传感器在无损预测福建牡蛎总挥发性盐基氮(TVB-N)含量中的应用
查看原文2023
Food Control
中科院一区JCR一区Shang Wang, Silin Huang, Yuying Han, Jian Wu, Tianhui Jiao, Jie Wei, Xiaomei Chen, Qingmin Chen, & Quansheng Chen
食品标签
软体与贝类 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
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据挥发性盐基氮(Total Volatile Basic Nitrogen, TVB-N)含量是水产品安全性评价的核心指标之一。本研究构建一种集成成像模块与可见 - 近红外光谱模块双数据采集单元的比色传感阵列技术(Colorimetric Sensing Array, CSA),旨在实现对福建牡蛎中 TVB-N 含量的无损预测。研究采用三种数据融合策略,结合变量组合种群分析(Variable Combination Population Analysis, VCPA)、蚁群算法及竞争性自适应重加权采样法等变量筛选方法,建立偏最小二乘(Partial Least Squares, PLS)模型以预测牡蛎的 TVB-N 含量。结果显示,双信息模块数据融合的建模效果显著优于单一模块数据建模;其中,基于高阶融合 - VCPA 策略的模型性能最优,预测集相关系数(R p)达 0.9128。本研究证实,比色传感阵列技术有望应用于福建牡蛎 TVB-N 含量的无损监测。
-
基于卷积神经网络的蔬菜泡菜存储期间品质评价
查看原文2023
Food Research International
中科院一区JCR一区Jie Du, Min Zhang, Xiuxiu Teng, Yuchuan Wang, Chung Lim Law, Dongcui Fang & Kun Liu
食品标签
蔬菜发酵制品 品质、结构与理化性质 颜色与外观品质 特征风味 常规理化指标测定 显微与成像技术 多酚与黄酮计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据蔬菜泡菜是一种传统发酵食品。由于储存过程中发生的氧化反应,其在不同时期的品质和风味会发生变化。本研究利用物理化学参数结合电子鼻技术,分析了13组不同储存时间的蔬菜泡菜样品的品质评价和风味特征。采集了各时期样品的照片,并建立了卷积神经网络(CNN)框架。总酚氧化分解与风味化合物之间呈线性负相关。通过主成分分析和费雪判别分析,可将储存期间的蔬菜泡菜分为三类(完全可接受期、可接受期和不可接受期)。基于分类结果对CNN参数进行了微调,其输出结果能够反映样品的品质变化和风味特征,并具有良好的拟合和预测能力。模型经过50轮训练后,训练集、验证集和测试集三组数据的准确率分别为94%、85%和93%。此外,CNN识别不同品质泡菜的准确率达到95.30%。证明卷积神经网络在预测四川泡菜品质方面具有优异性能和高可靠性。