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
-
结合非靶向代谢组学和机器学习的新策略解析不同砧木对黄龙病影响甜橙汁代谢物的作用
查看原文2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Xin Liu, Zhixin Wang, Frederick G. Gmitter, Jude W. Grosser, & Yu Wang
食品标签
果蔬汁/浓缩汁 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 代谢组学 多酚与黄酮计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据 组学数据黄龙病是最具破坏性的柑橘病害之一,主要由革兰氏阴性菌 Candidatus Liberibacter asiaticus 引起。为阐明不同接穗/砧木组合改善黄龙病影响甜橙汁品质的机制,本研究采用非靶向代谢组学与机器学习结合策略,分析不同砧木对黄龙病影响甜橙汁代谢物的作用。研究利用 UHPLC-Q-Orbitrap 高分辨电喷雾质谱检测到 2531 个离子特征,并基于随机森林算法确定或初步鉴定出 54 种差异标志物,包括氨基酸、胺类、黄酮、香豆素、脂肪酸和糖苷。进一步使用真实标准品验证并半定量了 24 种代谢物。结果显示,特定氨基酸和胺类,尤其是多胺,提示不同砧木可能通过影响谷氨酸、天冬氨酸、脯氨酸和精氨酸代谢来调节对黄龙病的生理响应;黄酮和异戊烯基化香豆素的产生则表明砧木会影响苯丙氨酸和苯丙烷代谢。研究提出了可能的代谢通路,并用标准品验证关键中间体,为理解砧木对黄龙病影响橙汁代谢物的调控提供了新见解。
-
基于近红外光谱和机器学习算法的无损大米味性质分类
查看原文2023
Food Chemistry
中科院一区JCR一区Edenio Olivares Díaz, Haruka Iino, Kento Koyama, Shuso Kawamura, Shigenobu Koseki & Suxing Lyu
食品标签
大米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 支持向量机 逻辑回归/贝叶斯 分类/鉴别/等级评定 红外/拉曼光谱数据大米的食味品质由蛋白质和直链淀粉含量决定,在日本,二者含量越低代表大米食味品质越好。然而,精准的无损筛选仍是行业面临的一大难题。本研究探究了机器学习模型结合近红外光谱对大米食味品质进行分级的应用效果。研究采用2008至2016年产自日本北海道的796份糙米样本对三种模型进行参数优化,并利用2017至2019年同产区的278份独立样本开展测试。逻辑回归与支持向量机模型的表现优于偏最小二乘判别分析模型,具备高达94%的准确率、90%的F1分数、0.94的平均精确率,分类误差仅为4%,可实现大米品质的精准无损分级。该研究成果不仅能够提升日本大米品质、完善产后加工技术、增加种植户产量,还有望优化全球其他农产品及食品的品质管控流程,助力优质产品的规模化生产。
-
基于深度学习框架识别猪肉松结构的品质特征
查看原文2023
Current Research in Food Science
中科院一区JCR一区Che Shen, Meiqi Ding, Xinnan Wu, Guanhua Cai, Yun Cai, Shengmei Gai, Bo Wang & Dengyong Liu
食品标签
畜肉 品质、结构与理化性质 显微与成像技术计算机标签
图像分割网络 特征工程与选择策略 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 大规模数据集猪肉松是一种历史悠久的中国传统食品。如今,猪肉松作为一种休闲食品为消费者所熟知。它以猪肉为原料,通过独特工艺制作而成,在这个过程中,肌肉纤维会变成片状或颗粒状并相互缠绕。本研究提出了一种基于深度学习的方法来检测猪肉松的结构质量特征。说明实验所用的猪肉松均为市场上广泛认可的品牌,且不使用缩写。研究共收集了8种市售猪肉松的8000张图像,并对其进行了锐化、图像灰度化、实时阴影校正和二值化处理。在机器学习模型学习了猪肉松的特征后,使用人工掩码对图像进行标注。采用基于残差增强掩码与区域卷积神经网络(CRE-MRCNN)耦合的深度学习框架对图像进行分割。结果表明,CRE-MRCNN能够识别不同品牌猪肉松的结团特征和孔隙特征,从而对其质量进行评估。基于感官测试和机器视觉的模型综合结果显示,TC品牌的猪肉松质量最佳,其次是YJJ、DD和HQ。这也体现了机器视觉在帮助人们识别猪肉松结构质量特征方面的潜力。
-
基于智能手机图像分析的荧光检测四环素,利用机器学习
查看原文2023
Food Chemistry
中科院一区JCR一区Maryam Mousavizadegan, Morteza Hosseini, Mahsa N. Sheikholeslami, Yalda Hamidpanah & Mohammad Reza Ganjali
食品标签
液态乳 化学污染物 显微与成像技术计算机标签
智能手机/其他 深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据四环素(TC)被广泛用作兽药,因此对其检测具有极高的重要性。本研究旨在开发一种四环素快速检测方法。为此,研究合成了牛血清白蛋白保护的金/银双金属纳米团簇(BSA-BMNCs),用于检测水体和牛奶中的四环素。随着四环素浓度升高,四环素与牛血清白蛋白发生相互作用,使双金属纳米团簇的荧光发射由红色向黄色偏移。使用多款智能手机采集传感平台图像,提取图像颜色与纹理信息,构建水体和牛奶样品的训练数据集。利用该数据集对机器学习算法进行训练,分别建立适用于水体样品的装袋-人工神经网络模型(决定系数R²=0.994,标准化均方根误差NRMSE=0.078)与适用于牛奶样品的装袋-决策树模型(决定系数R²=0.999,标准化均方根误差NRMSE=0.027)。本研究证实,机器学习算法可有效应用于食品分析物快速检测传感器的研发。
-
基于傅里叶变换红外光谱法预测小麦面粉成分
查看原文2023
Food Control
中科院一区JCR一区Camelia Maria Golea, Georgiana Gabriela Codină, & Mircea Oroian
食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据本研究采用多种标准检测方法,对 70 份不同品种小麦粉的理化特性进行分析,涉及的小麦品种包括一粒小麦(Triticum monococcum)、斯佩耳特小麦(Triticum spelta)及普通小麦(Triticum aestivum)。检测指标涵盖小麦籽粒的水分、灰分、蛋白质、湿面筋、沉降值、pH 值、酸度、脂肪、淀粉、降落数值、破损淀粉含量,以及通过粉质拉伸仪测得的拉伸与松弛特性参数。研究借助主成分分析法解析小麦样品理化特性之间的关联性。结果显示,除水分与破损淀粉含量外,其余几乎所有理化指标在不同品种间均存在显著性差异,且该差异在普通小麦与古老小麦品种间表现得尤为明显。古老小麦品种的蛋白质、湿面筋、脂肪、灰分及酸度指标均为最高;而普通小麦的淀粉含量更丰富,且粉质拉伸仪测得的拉伸与松弛特性参数值均为最高。此外,本研究采用傅里叶变换红外光谱(FTIR)技术作为无损检测手段,分析小麦粉的成分组成,并基于光谱特征峰确定籽粒的化学组分含量。为提升偏最小二乘回归(PLS-R)模型对小麦部分理化参数(水分含量、蛋白质含量、淀粉含量、面筋含量、降落数值及破损淀粉校正值)的预测精度,研究人员对 FTIR 光谱数据进行了多种预处理。结果表明,光谱一阶导数与二阶导数预处理方法所构建的模型,对目标理化参数的预测效果最优。