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
-
食品风味分析4.0:机器学习的跨领域应用
查看原文2023
Trends in Food Science & Technology
中科院一区JCR一区Xiangquan Zeng, Rui Cao, Yu Xi, Xuejie Li, Meihong Yu, Jingling Zhao, Jieyi Cheng & Jian Li
食品标签
品质、结构与理化性质 特征风味 感官科学与消费者研究计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析背景:食品风味分析4.0源于工业4.0,它结合了机器学习(ML)和食品风味分析方法。目前,食品风味分析主要依赖于感官评价、仪器分析或两者的结合。近年来,机器学习已有效应用于食品风味的分析和预测。然而,很少有研究团队尝试总结机器学习与食品风味分析相结合的研究进展。
范围与方法:本研究重点综述了食品风味分析与监督学习算法相结合的最新进展,这些算法包括随机森林(RF)、支持向量机(SVM)、k-最近邻(KNN)、神经网络(NN)、深度学习(DL)和混合算法。
主要发现与结论:机器学习在肉类、水果、蔬菜、加工食品和发酵食品中挥发性芳香化合物的测定中保持了强大的预测性能。反向传播神经网络(BPNN)和KNN模型在分类方面都表现良好,准确率高于90%。相比之下,RF和SVM模型在分类和回归方面都提供了令人满意的性能。值得注意的是,BPNN模型在对极其复杂和相似的样品进行分析时获得了最高的分类准确率,而SVM模型在测量一系列肉类样品时被认为是理想的回归算法。总之,食品风味分析与机器学习相结合,在食品添加剂、质量和真实性的快速检测方面具有巨大潜力。 -
利用GC-MS、×GC和GC-TOF-MS、GC-IMS、E-NOS和E-舌结合化学计量,基于风味特征对部分商业烤羊肉饼进行表征
查看原文2023
Food Chemistry
中科院一区JCR一区Che Shen, Yun Cai, Xinnan Wu, Shengmei Gai, Bo Wang & Dengyong Liu
食品标签
畜肉 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 时序传感器/物联网数据 多模态/融合数据顶空固相微萃取-气相色谱-质谱联用、固相微萃取箭头全二维气相色谱-飞行时间质谱、顶空气相色谱-离子迁移谱、电子鼻及电子舌技术体系,被应用于五种市售中式烤羊肉串风味特征的可行性研究。研究共鉴定出198种挥发性有机物(VOCs),其中约71%由全二维气相色谱-飞行时间质谱检出。研究采用数据融合策略,针对烤羊肉串的挥发性有机物组分及品牌鉴别构建了五种预测模型。对比偏最小二乘回归、支持向量机、深度神经网络与RegBoost回归建模方法,动量深度置信网络模型在挥发性有机物含量预测及羊肉串品牌识别中表现最优,决定系数$R^2$高于0.96、均方根误差RMSE低于0.1。智能感官技术结合化学计量学方法,在羊肉串及其他食品基质的风味特征表征领域具备良好的应用前景。
-
基于高光谱技术的牦牛肉氧化过程中新鲜度指标的非破坏性预测
查看原文2023
Food Chemistry: X
中科院一区JCR一区Kai Dong, Yufang Guan, Qia Wang, Yonghui Huang, Fengping An, Qibing Zeng, Zhang Luo & Qun Huang
食品标签
畜肉 其他品质相关性质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析本研究探讨了高光谱技术在牦牛肉氧化过程中快速检测其新鲜度特征指标的潜力。通过显著性分析确定挥发性盐基氮值作为牦牛肉新鲜度的特征指标。利用高光谱技术采集了牦牛肉样品(400-1000 nm)的反射光谱信息。采用5种方法对原始光谱信息进行处理,然后使用主成分回归、支持向量机回归和偏最小二乘回归建立回归模型。结果表明,基于全波长的PCR、SVR和PLSR模型在预测TVB-N含量方面表现出较好的性能。为了提高模型的计算效率,通过连续投影算法和竞争性自适应重加权采样分别从128个波长中筛选出9个和11个特征波长。其中,CARS-PLSR模型表现出优异的预测能力和模型稳定性。
-
高光谱成像结合卷积神经网络准确检测大西洋鲑鱼掺假
查看原文2023
Food Control
中科院一区JCR一区Peng Li, Shuqi Tang, Shenghui Chen, Xingguo Tian, & Nan Zhong
食品标签
鱼肉 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
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱大西洋鲑鱼市场掺假现象频发,且此类掺假难以甚至无法通过目视检测识别。本研究旨在探究两套高光谱成像(HSI)系统在快速精准检测大西洋鲑鱼糜掺假行为中的应用潜力,其中一套系统覆盖可见 - 近红外波段(VNIR,397~1003 nm),另一套覆盖短波近红外波段(SWIR,935~1720 nm)。研究人员人工制备了涵盖 11 个掺假水平的样品(掺假比例按质量分数计为 0~100%,梯度间隔为 10%)。实验采用 4 种光谱预处理方法与 5 种特征波长筛选算法,结合卷积神经网络(CNN)构建定量模型,以实现对鲑鱼糜掺假水平的预测。通过对比两套高光谱成像系统的预测性能,筛选出最优光谱检测波段。分析结果显示,基于可见 - 近红外波段(VNIR)数据构建的模型,预测效果始终优于短波近红外波段(SWIR)模型。其中,标准正态变量变换 - 卷积神经网络组合模型(SNV-CNN)在 VNIR 波段的预测性能最优,模型平均预测决定系数(Rp2)达 0.9885,预测均方根误差(RMSEP)为 3.3526,残差预测值(RPD)为 9.6882;而短波近红外波段(SWIR)表现最佳的模型为标准正态变量变换 - 变量组合集群分析 - 迭代保留信息变量法 - 卷积神经网络组合模型(SNV-VCPA-IRIV-CNN),其平均Rp2为 0.9839、RMSEP 为 3.9926、RPD 为 8.0251。此外,研究利用最优模型成功实现了掺假成分在样品中分布特征的可视化表征。综上,本研究证实,高光谱成像技术结合卷积神经网络是实现大西洋鲑鱼糜掺假快速、无损、精准检测的有效方案;相较于短波近红外高光谱成像系统(SWIR-HSI),可见 - 近红外高光谱成像系统(VNIR-HSI)兼具成本低廉与预测性能更优的优势,是更为合理的检测波段选择。
-
基于脂质组学通过UPLC-MS/MS对储存过程中蛋黄脂质变化的评估
查看原文2023
Food Chemistry
中科院一区JCR一区Yu Liu, Xing Guo, Niannian Wang, Shiling Lu, Juan Dong, Zeliang Qi, Junrong Zhou & Qinling Wang
食品标签
蛋类及其制品 保藏与贮藏 其他组学方法 脂质与脂肪酸计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 组学数据采用基于超高效液相色谱-串联质谱(UPLC-MS/MS)技术,对不同贮藏时期的蛋黄开展了全面的脂质组学分析。经检测共鉴定出27个亚类的836种脂质分子,其中包含159种差异显著的脂质。甘油酯类(GL)和甘油磷脂类(GP)为含量最丰富的脂质类别,其次为脂肪酰类(FA)、鞘脂类(SP)、固醇脂类(ST)及异戊烯醇脂类(PR)。主成分分析(PCA)与正交偏最小二乘判别分析(OPLS-DA)结果表明,随着贮藏时间延长,蛋黄脂质组成发生显著变化。同时,甘油磷脂代谢和甘油酯代谢是蛋黄贮藏过程中的关键代谢通路,其中磷脂酸(PA)、溶血磷脂酸(LPA)和甘油二酯(DG)为蛋黄贮藏相关代谢通路中的核心脂质代谢物。此外,蛋黄在贮藏至21天时品质变化最为明显。本研究为鸡蛋贮藏过程中的品质调控及脂质氧化机制研究奠定了理论基础。