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
-
基于分类的机器学习方法预测分子味觉:综述
查看原文2023
Food Research International
中科院一区JCR一区Cristian Rojas, Davide Ballabio, Viviana Consonni, Diego Suárez-Estrella & Roberto Todeschini
食品标签
特征风味 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 合成/仿真数据为主识别安全与危险化合物的能力在物种(包括人类)的进化中扮演了重要角色。高度进化的感官(如味觉受体)使人类能够通过传递至大脑的电脉冲信息在环境中导航和生存。具体而言,味觉受体提供了关于经口摄入物质的多种信息。这些物质根据它们引发的味觉反应可能是愉悦的或非愉悦的。味觉被分为基本味觉(甜、苦、鲜、酸、咸)和非基本味觉(涩、凉、冷、热、辛辣),而一些化合物被认为是多味觉、味觉调节剂或无味的。基于分类的机器学习方法是有用的工具,可用于建立预测性的数学关系,从而基于化学结构预测新分子的味觉类别。本文综述了多标准定量结构-味觉关系建模的历史,从1980年Lemont B. Kier提出的第一个基于配体的分类器开始,到2022年发表的最新研究为止。
-
通过集成学习增强的Inception-v4 CNN对藏红花进行分级和掺假检测
查看原文2023
Food Control
中科院一区JCR一区Mohammad Momeny, Ali Asghar Neshat, Ahmad Jahanbakhshi, Majid Mahmoudi, Yiannis Ampatzidis, & Petia Radeva
食品标签
香精香料 食品安全与风险评估 显微与成像技术计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据藏红花是食品工业中颇负盛名的香辛料产品,受经济利益驱使,其掺假现象时有发生。近年来,机器视觉系统作为一种新型、无损且低成本的检测手段,已被广泛应用于食品与农产品的品质管控领域。本研究搭建一套基于深度学习的机器视觉系统,用于藏红花的品质分级与掺假鉴别。研究构建了包含 1869 张图像的数据集,并将其划分为 6 个类别,具体包括:烘干处理的藏红花柱头、压榨处理的藏红花柱头、纯藏红花花柱、向日葵花丝、染色藏红花花柱以及染色玉米须。针对智能手机拍摄的藏红花图像,研究团队开发出一种融合数据增广学习策略的 Inception-v4 卷积神经网络(LAII-v4 CNN),以实现藏红花的分级与掺假检测。为解决模型过拟合问题,研究人员向图像中添加高斯噪声、斑点噪声与脉冲噪声,并通过所提 LAII-v4 CNN 筛选出最优数据增广策略。同时,将该模型与常规卷积神经网络方法及传统分类器展开性能对比;传统分类器的建模流程为:先通过方向梯度直方图(HOG)与局部二值模式(LBP)提取图像特征,再经主成分分析(PCA)筛选特征,最后结合袋装决策树集成、提升决策树集成、k 近邻算法、随机欠采样提升树及支持向量机完成分类。实验结果表明,引入批量归一化、随机失活(Dropout)与带泄露修正线性单元(Leaky ReLU)机制的LAII-v4 CNN 模型性能最优,分类准确率高达 99.5%。
-
使用机器学习模型预测植物性食品的质量
查看原文2023
Current Research in Food Science
中科院一区JCR一区Christabel Tachie, Nii Adjetey Tawiah & Alberta N.A. Aryee
食品标签
基本营养价值评价计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据 文本/知识库/法规数据植物性食品(PBFs)被认为是健康的,尤其是经过最低程度加工的全食物、水果、全谷物和豆类,而高度加工的植物性食品可能营养较差。向消费者普及营养质量知识将有助于指导他们的选择。本研究旨在利用营养评分(Nutri-Score)和微量营养素含量来评估和预测植物性食品的营养质量。美国国家健康与营养检查调查(NHANES,2017–2020)的数据显示了美国人消费的食品及其基于24小时饮食回顾的营养成分。尽管营养评分标签已被用于区分食品质量,但在大多数国家仍有待实施。该评分主要计算宏量营养素,对同样影响产品质量的微量营养素考虑较少。本研究中使用的机器学习(ML)方法结合了营养评分等级和微量营养素含量来预测食品质量。2017–2020年植物性食品的食品和营养数据库系统(FNDDS)数据被分为训练集(n = 300)和测试集(n = 74)。研究使用了8种机器学习模型来预测植物性食品的营养评分和营养评分等级。随机森林(RF)和轻量级梯度提升模型(LightGBM)表现最佳,准确率和决定系数(R²)分别为0.88和0.96,而决策树(DT)在预测营养评分等级(0.81)和营养评分(0.93)方面得分最低。这些结果表明,机器学习可以有效地用于预测植物性食品的质量。
-
结合稳定同位素、多元素和非靶向代谢组学与化学计量学,区分生姜(Zingiber officinale Roscoe)的地理来源
查看原文2023
Food Chemistry
中科院一区JCR一区Dai-xin Yu, Sheng Guo, Xia Zhang, Hui Yan, Su-wan Mao, Jie-mei Wang, Jia-qi Zhou, Jian Yang, Yu-wei Yuan & Jin-ao Duan
食品标签
其他根茎类 品质、结构与理化性质 代谢组学 矿物质与微量元素计算机标签
支持向量机 随机森林 K-近邻 分类/鉴别/等级评定生姜(Zingiber officinale Roscoe)是全球极具经济价值的药食同源作物。生姜品质往往与其产地密切相关。本研究联合利用稳定同位素、多元素及代谢物开展生姜产地溯源研究。化学计量学分析结果表明,生姜样本可实现初步产地区分;其中4种稳定同位素(δ¹³C、δ²H、δ¹⁸O、δ³⁴S)、12种矿物元素(铷、锰、钒、钠、钐、钾、镓、镉、铝、钛、镁、锂)、1种生物元素(碳含量)以及143种代谢物是产地鉴别最重要的特征变量。此外,研究引入三种机器学习算法,基于变量重要性投影特征融合的数据集在产地分类中准确率最高,其中K近邻算法预测准确率达98%,支持向量机与随机森林算法预测准确率均为100%。研究结果证实,同位素指纹、元素指纹与代谢物指纹可作为我国生姜产地溯源的有效判别指标。
-
基于色素成分和支持载体机,掺杂其他食用油的特级初榨橄榄油分类与鉴定模型
查看原文2023
Food Chemistry
中科院一区JCR一区Cong-Hui Lu, Bao-Qiong Li, Quan Jing, Dong Pei & Xin-Yi Huang
食品标签
植物油 光谱/色谱/质谱等分析方法 食品安全与风险评估计算机标签
支持向量机 分类/鉴别/等级评定特级初榨橄榄油(EVOO)的掺伪鉴别是橄榄油行业的重要研究课题。本研究利用色素色谱指纹图谱数据结合机器学习方法,成功实现了对特级初榨橄榄油(EVOO)、精炼橄榄果渣油(R-POO)、菜籽油(RO)、大豆油(SO)、花生油(PO)、葵花籽油(SFO)、亚麻籽油(FO)、玉米油(CO)、菜籽油掺伪特级初榨橄榄油(EVOO-RO)以及玉米油掺伪特级初榨橄榄油(EVOO-CO)的鉴别与分类。采用支持向量机(SVM)对特级初榨橄榄油、其他食用油脂及掺伪特级初榨橄榄油进行分类鉴别,训练集样本鉴别准确率达100%,测试集样本鉴别准确率为94.44%。研究结果表明,该支持向量机模型可有效鉴别掺伪比例低至1%菜籽油和1%玉米油的特级初榨橄榄油。由此可见,该模型具备优异的分类与预测能力,说明色素可作为鉴别特级初榨橄榄油掺伪的潜在特征标志物。