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
-
近红外反射光谱准确预测了咖啡原产地可追溯性的同位素和元素组成
查看原文2023
Food Chemistry
中科院一区JCR一区Joy Sim, Cushla McGoverin, Indrawati Oey, Russell Frew & Biniam Kebede
食品标签
咖啡饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据稳定同位素比值与微量元素是成熟可靠的研究手段,可作为农产品生长环境条件及农业生产过程的特征标识;但这类检测方法耗时、成本高昂,还会使用对环境具有破坏性的化学试剂。本研究首次探究了近红外反射光谱技术(NIR)在咖啡产地溯源中估算和预测同位素及元素组成的应用潜力。研究选取来自两大洲、四个国家、十个产区的生咖啡样品,测定了5种同位素比值(δ¹³C、δ¹⁵N、δ¹⁸O、δ²H、δ³⁴S)以及41种微量元素含量。采用扩展多元散射校正(EMSC)、均值中心化预处理结合偏最小二乘回归(PLS-R)方法,建立1100–2400纳米波段的近红外光谱校正模型。结果表明,近红外光谱对5种元素(锰、钼、铷、硼、镧)和3种同位素比值(δ¹³C、δ¹⁸O、δ²H)的预测效果达到中等至良好水平,决定系数R²介于0.69至0.93之间。近红外光谱通过与咖啡中有机化合物的关联,间接实现了上述指标的检测。这些指标与不同国家及产区的海拔、气温和降雨量差异密切相关,且已被证实可作为咖啡产地的判别依据。
-
利用差分扫描量热器结合降维分类技术,区分中国消费的特级初榨橄榄油可能掺假
查看原文2023
Food Chemistry
中科院一区JCR一区Kaiyuan Huang, Peihao Zhong & Baojun Xu
食品标签
植物油 食品安全与风险评估 其他理化与结构表征计算机标签
支持向量机 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定采用差示扫描量热法(DSC)研究了中国食用特级初榨橄榄油(EVOO)的热学特性;结合主成分分析(PCA)降维算法与K近邻(KNN)、支持向量机(SVM)模型,对油样是否为特级初榨橄榄油进行鉴别判定。两种模型对特级初榨橄榄油与非特级初榨橄榄油的区分准确率均达100%。此外,菜籽油因与特级初榨橄榄油的冷却曲线特征高度相似,仍难以通过鉴别检测甄别其对特级初榨橄榄油的掺假行为。向特级初榨橄榄油中分别人工掺入5%、10%、20%、30%比例的菜籽油,采集差示扫描量热法检测数据并导入机器学习模型分析。结果表明,两种模型均可有效识别掺假比例低至5%的菜籽油特级初榨橄榄油样品;其中K近邻模型准确率为93.75%,远高于支持向量机模型的43.92%。综上,差示扫描量热法结合K近邻模型分析,更适用于特级初榨橄榄油的掺假检测。
-
机器学习在食用作物多源数据中的应用:当前趋势与未来展望综述
查看原文2023
Food Chemistry: X
中科院一区JCR一区Yanying Zhang & Yuanzhong Wang
食品标签
品质、结构与理化性质 食品安全与风险评估 过程控制与数字化计算机标签
机器学习/统计学习 分类/鉴别/等级评定 过程控制与实时优化食用作物的质量和安全是关乎人类健康和营养的关键环节。在人工智能快速发展的时代,利用人工智能挖掘食用作物的多源信息为食用作物的产业发展和市场监督提供了新的机遇。本综述全面总结了多源数据结合机器学习在食用作物质量评价中的应用。多源数据能够整合不同的数据信息,因此相比单一数据源可以提供更全面丰富的信息。有监督和无监督机器学习被应用于数据分析,以满足食用作物质量评价的不同要求。本文强调了各种技术和分析方法的优缺点,指出了需要克服的问题,并提出了有前景的发展方向。为了实时监测市场,食用作物的质量评价方法必须进行创新。
-
基于高光谱成像的木耳中镰刀菌快速识别模型
查看原文2023
Food Frontiers
中科院一区JCR一区Yuhan Sun, Huanzi Wang, Yuan Gan, Yudie Qing, Tianli Yue, Yahong Yuan, & Yiheng Shi
食品标签
食用菌菇 微生物安全 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱木耳是一种兼具药用和食用价值的双用菌类,被视为一种保健产品。然而,在其栽培和生产过程中,木耳会受到多种霉菌的污染,导致其品质和产量下降。镰刀菌作为一种有毒的丝状真菌,严重威胁着木耳产业的健康发展,甚至影响人类健康。因此,有必要建立及时且准确的病原体识别和快速检测方法。在本研究中,利用可见近红外高光谱成像技术获取图像和光谱信息,并选择并建立了最佳分类模型,以快速区分镰刀菌氧化孢子和镰刀菌丛枝菌,该模型还成功应用于木耳感染的初步识别。这种方法为快速识别和检测木耳中的病原真菌污染提供了一种非破坏性的方法。
-
基于高光谱成像技术的紫鹃茶鲜叶花青素含量检测
查看原文2023
Food Control
中科院一区JCR一区Fushuang Dai, Jiang Shi, Chongshan Yang, Yang Li, Yan Zhao, Zhongyuan Liu, Ting An, Xiaoli Li, Peng Yan, & Chunwang Dong
食品标签
茶/茶饮料 其他品质相关性质 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
偏最小二乘法 支持向量机 K-近邻 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/多光谱光谱花青素是决定紫娟茶鲜叶色泽及感官品质的特征性物质。依靠人工视觉定性判定紫娟茶鲜叶中的花青素含量,易导致成品茶品质参差不齐。本研究采集了紫娟茶鲜叶在400~956 nm 波段的高光谱图像,分别采用 K 近邻算法(KNN)与支持向量机(SVM)模型开展鲜叶嫩度等级判别,并在主成分分析的基础上,构建偏最小二乘回归(PLSR)与支持向量机回归(SVR)模型进行定量预测。结果表明,SVM 模型的嫩度等级判别准确率优于 90%;变量组合种群分析(VCPA)及结合迭代信息变量保留法的变量组合种群分析(VCPA-IRIV)两种算法可有效简化模型结构,且模型预测决定系数均高于 0.92。针对总花青素、矢车菊素 - 3,5-O - 二葡萄糖苷、矢车菊素 - 3-O - 葡萄糖苷及矮牵牛素四类指标的最优预测模型分别为VCPA+SVR、VCPA-IRIV+SVR、VCPA-IRIV+PLSR 及 VCPA+PLSR,对应的残差预测值(RPD)分别为 3.233、2.868、3.529 和 3.298。研究通过可视化不同嫩度样品中花青素的空间分布特征,实现了总花青素含量的直观呈现。综上,本研究建立了一种快速无损的检测方法,可同步实现紫娟茶鲜叶嫩度等级划分与品质成分定量分析,为该特色色泽茶树品种的鲜叶采摘质量管控提供技术支撑。