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 364 条结果
-
基于¹H NMR光谱和随机森林的苹果地理来源、品种及生产方法鉴别
查看原文2024
Food Control
中科院一区JCR一区Soeren Wenck, René Bachmann, Sarah-Marie Barmbold, Anna Lena Horns, Nele Paasch & Stephan Seifert
食品标签
新鲜水果 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 中等规模数据集在购买苹果时,消费者关注多个重要特征,包括分类学品种(影响期望的风味和致敏性),以及日益受到重视的是否为本地种植和有机栽培。本研究利用¹H核磁共振(NMR)波谱技术对217份苹果样品进行了分析,旨在验证苹果在以下四个方面的真伪:原产国、德国境内的本地来源、分类学品种以及是否为有机生产。所构建的随机森林模型在不同分类任务中表现出良好的性能:在区分七个分类学品种时准确率约为73%,而在区分德国产与非德国产样品时准确率高达88.5%。研究结果表明,¹H NMR波谱技术在苹果的综合溯源与真实性鉴别方面具有广阔前景。该方法通过根据具体鉴别目标选择NMR“指纹”图谱中的不同区域实现高精度分类,这一点也通过变量选择方法的应用及所选变量的对比分析得到了进一步验证。
-
基于度量的元学习结合高光谱成像用于域偏移骆驼奶粉掺假快速检测
查看原文2024
LWT
中科院一区JCR一区Shiwei Ruan, Ruoyu Di, Yuan Zhang, Tianying Yan, Hao Cang, Fei Tan, Mengli Zhang, Nianyi Wu, Li Guo, Pan Gao, & Wei Xu
食品标签
乳粉 食品安全与风险评估 其他安全问题 显微与成像技术计算机标签
卷积神经网络 小样本学习 支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱骆驼奶粉具有高营养价值和经济价值。将骆驼奶粉掺入其他品种严重损害了消费者权益。在骆驼奶粉检测的高光谱分析实际应用中,用于测试的样品类别通常与构建模型时使用的类别不同。作为一种擅长处理领域偏移和少量样本场景的学习方法,元学习被用于解决此问题。在本研究中,我们使用掺入牛奶粉的骆驼奶粉作为训练样本,掺入山羊奶粉的骆驼奶粉作为测试样本。在对十一种掺假水平的检测中,纯骆驼奶粉的检测准确率达到98.92%。值得注意的是,对于不太明显的70%掺假水平,检测准确率也达到了77.69%。基于元学习的综合检测准确率达到了84.4%,与SVM、BP和CNN相比显示出显著提高,分别提高了24.67%、28.16%和18.4%。对特征向量和贡献的详细分析证实了基于元学习的定性分析的可靠性和稳定性。
-
基于机器学习和低场核磁共振光谱数据的本地品种猪肉脂肪酸定量与分类研究
查看原文2024
Food Control
中科院一区JCR一区José Luis Ramiro, Ana G. Neo, Trinidad Pérez-Palacios, Teresa Antequera & Carlos F. Marcos
食品标签
畜肉 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸计算机标签
支持向量机 随机森林 K-近邻 逻辑回归/贝叶斯 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 中等规模数据集以可持续性和卓越肉质著称的地方传统猪种,正日益受到消费者的青睐。此类猪肉的脂类成分构成,是其具备健康效益与优良感官特性的核心因素。因此,精准分析肌内脂肪的特性,对于维持品质标准、打击欺诈行为至关重要。本研究采用台式核磁共振波谱技术,对两个具有代表性的西班牙本土猪种不同部位肉品的脂类图谱进行解析。通过应用化学计量学与机器学习模型,研究实现了基于猪肉部位来源与品种来源的样本分类。此外,本研究率先将台式核磁共振技术与机器学习模型相结合并用于定量分析,成功实现了肌内脂肪中多不饱和脂肪酸、单不饱和脂肪酸及饱和脂肪酸的精准定量。这一创新方法有望提升传统猪肉制品的可追溯性与真伪鉴别水平,增强消费者信心,并推动可持续畜牧业的发展。
-
便携式近红外光谱仪结合机器学习技术分类亚临床乳腺炎牛奶的研究
查看原文2024
Food Control
中科院一区JCR一区Erik da Silva Pereira, J.P. Cruz-Tirado, Bruna Lourenço Crippa, Rafaela Martins Morasi, Jaqueline Milagres de Almeida, Douglas Fernandes Barbin, Sylvio Barbon Junior, & Nathalia Cristina Cirone Silva
食品标签
液态乳 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据牛乳是人类饮食中一种传统食品。但奶牛罹患隐性乳房炎后,会破坏牛乳的营养成分,同时对消费者健康构成威胁。本研究旨在探究利用便携式近红外光谱仪(NIRS),将其作为筛查隐性乳房炎污染牛乳的检测方法的可行性。实验所用牛乳样本集的构成高度复杂,涵盖两个季节(冬季、夏季)、两个年份(2021 年、2022 年)、巴西五个地理产区(戈亚斯州、帕拉州、帕拉伊巴州、圣保罗州及圣卡塔琳娜州),且奶牛饲喂模式存在差异。研究人员采用主成分分析(PCA)、偏最小二乘判别分析(PLS-DA),以及随机森林(RF)、支持向量机(SVM)等机器学习模型,对采集到的样本光谱数据进行分析。主成分分析结果表明,隐性乳房炎牛乳与健康牛乳样本的聚类差异,与乳糖含量的变化密切相关。这一现象在偏最小二乘判别分析中同样得到验证,该模型检测隐性乳房炎牛乳的准确率达 78%,而随机森林和支持向量机模型的准确率均为 62%。不过,随机森林模型检测乳房炎牛乳样本的灵敏度(召回率)更高,达到 78%;支持向量机模型则在识别健康牛乳样本方面表现突出,准确率达 81%。此外,研究证实,利用孤立森林算法剔除异常样本后,基于近红外光谱数据构建的随机森林与支持向量机模型性能显著提升,其精确率最高可提升 25%。综上,便携式近红外光谱仪有望作为乳品行业筛查隐性乳房炎牛乳的检测手段。
-
利用Vis-NIR光谱结合Grad-CAM方法,在多个梨树(Pyrus pyrifolia Nakai)品种中无损检测SSC的方法
查看原文2024
Food Chemistry
中科院一区JCR一区Xin Xu, Yanyu Chen, Hao Yin, Xiaochan Wang, & Xiaolei Zhang
食品标签
发酵食品及酱腌制品 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 支持向量机 卷积神经网络 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据可见近红外光谱结合化学模型常用于梨水溶解固体含量(SSC)预测。然而,模型的稳健性受到梨品种差异的挑战。本研究探讨了开发通用模型以预测多种梨类SSC的可行性,以提高模型的普遍性。利用6个果皮绿色的梨树梨叶松花属Nakai,类名“Cuiyu”、“Sucui No.1”和“Cuiguan”)和棕色果皮(PyrifoliaNakai cv. 'Hosui', 'Syusui' 和 'Wakahikari')被用于利用卷积神经网络(CNN)、偏最小二乘(PLS)和支持向量回归(SVR)方法建立单一栽培品种模型和多栽培品种普遍模型。采用全谱和通过梯度加权类别激活映射(Grad-CAM)提取的重要变量,构建了多栽培品种通用模型。基于重要变量的通用模型分别在6个品种上取得了满意的RMSEP(质量指数)为0.76、0.59、0.80、1.64、0.98和1.03°Brix。