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 29 条结果
-
采用红外光谱与机器学习方法结合估算纤维素I的结晶度
查看原文2025
Carbohydrate Polymers
中科院一区JCR一区Yong Ju Lee, Do Young Lee, Tai-Ju Lee & Hyoung Jin Kim
食品标签
碳水化合物配料 其他品质相关性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类 其他膳食纤维类成分计算机标签
偏最小二乘法 随机森林 定量预测/回归分析 红外/拉曼光谱数据本研究提出了一种新的方法,通过将红外光谱技术与机器学习技术相结合,来估算纤维素 I 类材料的结晶度指数(CrI)。微晶纤维素(MCC)被用作结晶标准物质,而球磨后的 MCC、木聚糖和木质素粉末则作为无定形参考物质。在构建模型之前,对红外光谱进行了采集和预处理。采用包括偏最小二乘(PLS)回归和随机森林(RF)在内的机器学习算法来开发用于估算 CrI 的预测模型。结果表明,红外光谱与机器学习技术的结合在估算纤维素 I 类材料的结晶度方面具有很高的准确性。所提出的方法为传统的 X 射线衍射(XRD)技术提供了一种快速且可靠的替代方案。
-
采用短波近红外高光谱成像与机器学习无损预测和像素级可视化古纸中多糖基性质
查看原文2025
Carbohydrate Polymers
中科院一区JCR一区Yan Wu, Bin Wang, Jian Chen, Xinkang Huang, Jun Xu, Wenguang Wei & Kefu Chen
食品标签
碳水化合物配料 其他品质相关性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 随机森林 定量预测/回归分析 高光谱/多光谱光谱本研究旨在开发一种新颖方法,用于无损且准确地预测古纸中的多糖基性质,具体聚焦于纤维素结晶度、聚合度和木质素含量。采用短波近红外高光谱成像系统收集古纸样本的光谱数据。利用各种机器学习算法,包括偏最小二乘回归和随机森林,基于高光谱数据建立了这些性质的预测模型。所提出的方法成功地在古纸表面提供了多糖基性质的像素级可视化,实现了详细的空间分析。这种方法为历史纸质文物的无损评估提供了巨大潜力,有助于它们的保存和保护。
-
基于合成数据与深度神经网络助力植物基改性稠饮感官感知属性预测
查看原文2025
Food Hydrocolloids
中科院一区JCR一区Mustafa Tahsin Yilmaz, Abdulaziz S. Alkabaa, Furkan Turker Saricaoglu, Ahmad H. Milyani , Osman Gul, Mahmut Ekrem Parlak & Wael S. Hassanein
食品标签
果蔬饮料 昆虫蛋白 碳水化合物配料 质构与流变性质 感官评价与方法学 常规理化指标测定 质构与流变测试计算机标签
深度学习 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主本研究开创性地融合了合成数据生成与深度学习技术,旨在预测经亲水胶体及新型蛋白质改性的植物基食品模型的感官特性。通过整合流变学、口腔摩擦学、表面活性参数及人体解剖学参数,我们构建了基于文献知识的综合数据集,模拟了十种分别添加真菌多糖或昆虫蛋白的系统性改性稠饮配方的人类感官评价数据。通过训练多层感知机回归模型,实现了对十种食品质构感官属性的精准预测(测试集R²=0.91)。研究结果表明,真菌多糖主导剪切稀化与拉伸阻力特性,而昆虫蛋白则显著增强体系整体活性与表面活性。该模型不仅习得了感官-流变学的复杂交互关系,更通过迁移学习在未知条件下展现了预测建模能力。本框架为传统感官科学提供了概念验证型补充工具,通过构建可模拟消费者响应的规模化预测平台,为智能食品设计、成分筛选及新型食品配方开发开辟了新路径。
-
结合机器学习的淀粉流变与结构表征以增强植物基奶酪类似物的熔融拉伸特性
查看原文2024
Food Hydrocolloids
中科院一区JCR一区Suin Yun, Sungmin Jeong & Suyong Lee
食品标签
碳水化合物配料 其他复合食品 质构与流变性质 质构与流变测试 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 逻辑回归/贝叶斯 分类/鉴别/等级评定 红外/拉曼光谱数据 质构/流变/感官数据 小规模数据集全球对植物基食品(包括人造奶酪)的需求持续增长,然而目前科学研究大多关注其营养价值而非融化拉伸等功能特性。本研究结合九种不同淀粉的流变特性(糊化特性和黏弹性)与机器学习分析来筛选具备融化拉伸性的淀粉品种,并将这些淀粉进一步用于植物基奶酪类似物的配方评估。实验显示羟丙基木薯淀粉、蜡质马铃薯淀粉和木薯淀粉相比其他样品具有最长的融化拉伸长度。这些淀粉的融化拉伸性与其单一糊化参数未呈现明显相关性,但表现出较低黏弹性及较高的频率依赖性。傅里叶变换红外光谱分析表明,当淀粉转化为糊状时结晶区与非晶区比例降低有助于提升融化拉伸性能。通过对糊化和黏弹性数据进行机器学习分析,淀粉样品能依据其融化拉伸能力实现良好聚类。更重要的是,基于动态黏弹性流变数据集训练的二元逻辑分类模型成功识别出具有良好融化拉伸性的淀粉品种(羟丙基木薯淀粉、蜡质马铃薯淀粉和木薯淀粉)。在添加这些淀粉的植物基奶酪类似物中也观察到相似的融化拉伸特征,这通过储能模量随温度的显著下降以及最高熔融指数值得到了证实。
-
基于机器学习预测食品生物聚合物混合物流变参数
查看原文2024
Food Hydrocolloids
中科院一区JCR一区Julie Frost Dahl, Miek Schlangen, Atze Jan van der Goot & Milena Corredig
食品标签
豆类与坚果(及籽类) 碳水化合物配料 蛋白质配料 挤压膨化与共挤技术 质构与流变性质 质构与流变测试计算机标签
随机森林 定量预测/回归分析 质构/流变/感官数据 中等规模数据集通过水热加工制备的植物蛋白成分食品,其特性预测仍具挑战性。本研究基于成分数据,采用机器学习方法预测植物基生物聚合物混合物的流变特性。研究使用黄豌豆和蚕豆蛋白原料配制了蛋白质浓度范围为14%-43%的样品体系,这些配方与0-13%的多糖(包括玉米淀粉、果胶、纤维素及卡拉胶)混合,最终含水量介于40%-72%之间。之间。此类混合物适用于高水分挤压加工。采用密闭腔式流变仪收集流变数据,并施加小、中、大振幅振荡剪切。通过对140种独特配方的数据进行聚类分析以识别数据集模式,并通过变量重要性分析确定关键输入特征及相关输出流变参数。随后评估多种监督机器学习回归模型,结果显示:单输出随机森林回归能根据成分输入有效预测线性粘弹性区域的参数,但对非线性区域参数预测效果不佳;而以大变形参数作为输入时,多输出随机森林回归可实现对非线性区域参数的精准预测。研究结果揭示了流变参数间的内在关联性,有力证明了机器学习在预测植物基生物聚合物混合物流变特性方面的优势,同时凸显了其通过数据趋势揭示成分对高水分挤压过程中结构形成影响机制的巨大潜力。