类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 2456 条结果
-
FAPD：基于机器学习的黄酮类化合物涩感阈值和涩感类型预测数据库
查看原文
2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Tianyang Guo, Fei Pan, Zhiyong Cui, Zichen Yang, Qiong Chen, Lei Zhao, & Huanlu Song
食品标签
复合/即食/餐饮食品 特征风味 标准/法规/数据库分析 多酚与黄酮计算机标签
支持向量机 随机森林 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主涩感是一种收敛或绒滑感，主要来源于食品中的黄酮类化合物。传统涩味化合物发现依赖实验，劳动强度高且成本较大，而机器学习可显著加速这一过程。本研究提出基于机器学习的黄酮涩感预测数据库 FAPD。首先，研究对黄酮类化合物的分子指纹相似性和涩感阈值进行层次聚类分析。针对涩感阈值预测，建立了高斯过程回归、支持向量回归、随机森林和梯度提升决策树四种回归模型，其中随机森林表现最佳，并采用 SHAP 方法进行解释。针对涩感类型预测，研究建立了随机森林、梯度提升决策树、高斯朴素贝叶斯、支持向量机、k 近邻和随机梯度下降六种分类模型，其中随机梯度下降模型表现最佳。研究进一步发现并整理了 1200 多种天然黄酮化合物，构建定制化 FAPD；数据库中涩感阈值由随机森林预测，涩感类型由随机梯度下降区分，并通过 t-SNE 验证真实和预测涩感类型。该研究表明，机器学习模型可用于预测黄酮类化合物的涩感阈值和涩感类型，为食品风味设计和感官品质调控提供数据资源。
-
基于YOLOv5s算法和CBAM的鲭鱼产品增强批量分选与快速感官分析：通过TPA、色差仪和PLSR分析的验证
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
Yi-Zhen Huang, Lin Han, Xiaoqing Yang, Yu Liu, Bei-Wei Zhu & Xiu-Ping Dong
食品标签
鱼肉 质构与流变性质 颜色与外观品质 感官评价与方法学 常规理化指标测定 质构与流变测试 显微与成像技术计算机标签
模型设计/优化策略 偏最小二乘法 目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据本研究采用YOLOv5s算法建立了太平洋鲭鱼（S. japonicus）和西班牙鲭鱼（S. niphonius）的快速质量识别模型。在YOLOv5s网络中使用了copy-paste数据增强技术进行数据扩充。此外，在网络结构的颈部集成了一个小目标检测层，并将卷积块注意力模块（CBAM）纳入卷积模块以优化模型。通过感官评价、质地剖面分析和色差仪分析评估了模型的准确性。研究结果表明，改进后的模型取得了0.966的mAP@0.5分数，超过了原版本的0.953。此外，改进后模型的参数量仅为7.848 M，平均检测时间为115毫秒/图像（图像分辨率2400×3200）。感官和理化指标能够可靠地区分合格与不合格样品。PLSR模型的R²X、R²Y和Q²值分别为0.977、0.956和0.663。
-
基于机器学习和深度学习预测酶小分子底物的通用模型
查看原文
2023
Nature Communications
中科院一区JCR一区
Alexander Kroll, Sahasra Ranjan, Martin K. M. Engqvist & Martin J. Lercher
食品标签
食品添加剂与配料 蛋白质配料 过程控制与数字化 统计建模与仿真 标准/法规/数据库分析 其他方法 其他特殊成分计算机标签
深度学习 分类/鉴别/等级评定 文本/知识库/法规数据酶通过结合特定底物催化生化反应，然而对于许多已测序的酶，其底物范围仍然未知。机器学习预测可以提供一种替代实验表征的有效方法，但往往因缺乏有关酶非底物的信息而受阻，因为可用的训练数据主要由阳性样本组成。在这里，我们提出了 ESP，这是一种通用的机器学习模型，用于预测酶-底物对，在独立和多样化的测试数据上准确率超过 91%。ESP 可以成功应用于广泛不同的酶和训练数据中包含的各种代谢物，优于为单个、研究充分的酶家族设计的模型。ESP 通过改进的 Transformer 模型表示酶，并在通过随机采样被指定为非底物的小分子增强的数据上进行训练。通过促进对潜在底物的简单计算机测试，ESP 网络服务器可以支持基础科学和应用科学，包括用于代谢工程和食品配料合成的酶的发现。
-
基于神经网络的POLIVAR模型开发用于预测和识别单一品种橄榄油
查看原文
2023
Food Control
中科院一区JCR一区
Jorge Cervera-Gascó, Adrián Rabadán, Eulogio López-Mata, Manuel Álvarez-Ortí, & José E. Pardo
食品标签
植物油 食品安全与风险评估 脂质与脂肪酸计算机标签
深度学习 分类/鉴别/等级评定消费者对特性差异化的单品种橄榄油需求日益增长，这就要求建立系统化的检测流程与工具，以甄别橄榄油市场中的掺假或品质劣变行为。此外，橄榄品种也是一项关键认证依据，可证明橄榄油符合欧盟认证的地理标志保护产品标准。本研究旨在通过人工神经网络（ANN） 算法，构建一套单品种橄榄油预测鉴别模型。该模型仅需输入少量化学参数，即可实现高精度的品质管控。模型构建的数据源来自西班牙卡斯蒂利亚 - 拉曼恰产区内，124 个获得原产地保护认证及品质标识认证的橄榄种植地块。实验结果受不同化学参数含量的影响呈现梯度变化：仅分析一种参数（十七碳烯酸） 时，模型的总体判别准确率（OAA）为 62.35%；纳入三种参数（硬脂酸、油酸及菜油甾醇浓度） 后，总体判别准确率提升至 91.50%；当参数数量增至五种（棕榈酸、硬脂酸、亚油酸、花生酸及菜油甾醇浓度） 时，总体判别准确率高达 98.79%。本研究开发的POLIVAR（橄榄油品种预测）模型可实现对主流单品种橄榄油的精准鉴别，为保障产品品质与维护消费者权益提供了有效技术工具。
-
高光谱成像在碎牛肉掺假检测中的多变量优化：旨在开发预测掺假碎牛肉及用于数字分选的通用算法
查看原文
2023
Food Control
中科院一区JCR一区
Eva M. Achata, Magdi A.A. Mousa, Adel D. Al-Qurashi, Omer H.M. Ibrahim, Kamal A.M. Abo-Elyousr, Ahmed M.K. Abdel Aal, & Mohammed Kamruzzaman
食品标签
畜肉 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 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱牛肉糜（Minced Beef Meat, MBM）因其兼具营养价值与风味而具有较高的经济价值，因此易成为经济利益驱动型掺假的目标。为保障牛肉糜的真实性与安全性，亟需建立高通量的掺假检测方法。本研究评估了400~1000 nm 波段高光谱成像技术（Hyperspectral Imaging, HSI） 结合多元分析方法的可行性，旨在构建可检测牛肉糜中其他肉类掺假的通用模型。研究采用偏最小二乘回归法（Partial Least Squares Regression, PLSR）、集成蒙特卡洛变量筛选法（Ensemble Monte Carlo Variable Selection Method, EMCVS），并结合多种光谱预处理方法及其两两组合方案，对所扫描样品中的牛肉糜含量进行预测建模。模型的校正集数据来源于掺有鸡肉糜和火鸡肉糜的牛肉糜样品，验证集数据则采用掺有猪肉糜的牛肉糜样品；掺假比例设置为 0~51%，梯度间隔约为 3%。结果表明：经不对称最小二乘法（Asymmetric Least Squares, AsLs）结合标准正态变量变换（Standard Normal Variate, SNV） 预处理的反射光谱，通过 EMCVS 筛选出 23 个特征波长后，所建立的牛肉糜预测模型性能最优 —— 预测决定系数（R p2）达 0.96，预测均方根误差（RMSEP）为 2.9%，残差预测值（RPD）达 5.4。为验证模型通用性，研究进一步制备了掺有羊肉糜和鸭肉糜的牛肉糜独立验证集样品，掺假比例为 3%~21%。全波段模型预测效果良好（R p2=0.94，RMSEP=3.92%，RPD p=3.83）；而基于筛选出的 9 个最优特征波长（484、508、593、596、602、736、739、924 和 960 nm）所建立的模型，预测性能更为优异（Rp2=0.95，RMSEP=2.78%，RPD p=5.29）。此外，本研究采用偏最小二乘判别分析法（PLS Discriminant Analysis, PLS-DA），结合 EMCVS 变量筛选与光谱预处理技术，构建牛肉糜与其他掺假肉类的判别模型。基于筛选出的 12 个特征波段，该模型在校正集、交叉验证集及预测集均实现了近乎完美的判别效果。综上，本研究建立了一种基于特征波段筛选的高通量、通用型肉糜掺假定量检测与定性判别方法。该方法可为研发低成本便携式牛肉糜掺假分选传感器提供技术支撑，同时证实了构建牛肉糜掺假通用检测模型的可行性。
