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
-
基于近红外光谱的人工神经网络模型权重解释用于大米(Oryza sativa L.)分析
查看原文2022
Food Chemistry: X
中科院一区JCR一区Seungwoo Son, Donghwi Kim, Myoung Choul Choi, Joonhee Lee, Byungjoo Kim, Chang Min Choi & Sunghwan Kim
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 碳水化合物与糖类计算机标签
智能手机/其他 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据基于人工神经网络(ANN)利用近红外光谱数据建立大米主要营养成分的预测模型。提出并对权重值进行科学解释,以了解对营养预测有贡献的波数。从110个大米样本中获取近红外光谱。预测的碳水化合物和水分含量的决定系数、相对均方根误差、范围误差比和剩余预测偏差分别为0.98、0.11%、44和7.3,以及0.97、0.80%、27和5.8。结果与先前研究报告以及通过传统偏最小二乘(PLS)-变量重要性投影方法获得的结果吻合良好。本研究表明,近红外光谱与人工神经网络的结合是监测大米营养的强大而准确的工具,并且可以对权重进行科学解释以克服人工神经网络的黑箱特性。
-
基于代谢组学和深度学习的李斯特菌快速识别新方法研究
查看原文2022
Food Control
中科院一区JCR一区Ying Feng, Zhangkai J. Cheng, Xianhu Wei, Moutong Chen, Jumei Zhang, Youxiong Zhang, Liang Xue, Minling Chen, Fan Li, Yuting Shang, Tingting Liang, Yu Ding, & Qingping Wu
食品标签
微生物安全 光谱/色谱/质谱等分析方法计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定基于质谱技术的代谢组学可作为检测致病菌与腐败微生物的技术平台。然而,利用质谱对低分子量生物标志物进行准确定量时,通常受限于同位素标记标准品的依赖及繁琐的实验流程,不利于该技术的规模化应用。本研究开发了一种将代谢组学与深度学习相结合的新方法,用于单核细胞增生李斯特菌的鉴定。研究针对单核细胞增生李斯特菌的三种潜在生物标志物构建卷积神经网络(CNN)模型,模型预测准确率达 82.2%。此外,通过拟靶向代谢组学技术获得包含 29 种代谢物的代谢指纹图谱,借助层次聚类分析,该图谱可成功区分 6 种常见李斯特菌菌株。研究进一步构建用于鉴别单核细胞增生李斯特菌及常见致病菌的 CNN 二分类与多分类模型,其预测准确率分别为 96.7% 和 96.3%。综上,这种结合拟靶向代谢组学与深度学习的新型方法,有望成为致病菌鉴定与分类领域的高效检测工具。
-
蛋白质泡沫微观结构的定量图像分析及其与流变学性质的相关性:以蛋清泡沫为例
查看原文2022
Food Hydrocolloids
中科院一区JCR一区Jose C. Bonilla, Jesper L. Sørensen, Amalie S. Warming & Mathias P. Clausen
食品标签
蛋类及其制品 质构与流变性质 微观结构与成像 质构与流变测试 显微与成像技术计算机标签
图像分割网络 定量预测/回归分析 可见光/RGB/视频数据软件开发与机器学习算法的最新进展正在彻底改变生物学和神经科学等领域中微观结构的分析与量化方式。随之而来的是将这些工具应用于研究食品微观结构的机会激增,以期更深入地理解食品结构与功能的关系。本文展示了如何使用最近开发的深度学习细胞分割算法‘Cellpose’来识别泡沫微观结构以便进一步量化。该算法成功地识别了蛋白质泡沫基质中的气泡,这些图像是通过简单的明场显微镜捕获的。分段算法使得能够对泡沫的空气相(气泡)和液相(液膜)的微观结构参数进行量化。研究了糖浓度和酸性条件的影响,并将微观结构参数与泡沫的流变响应联系起来。阐明了支配泡沫刚度变化的潜在微观结构机制和黏弹性响应的线性程度。糖通过增稠液体蛋清改变了气泡尺寸分布,同时也由于其减小液膜厚度而缩短了对形变的线性响应。酸性条件则将气泡重塑为更类似六边形的结构,从而使更多的空气能被纳入泡沫之中。这种在酸性条件下形成的气泡形状也使泡沫将其线性响应扩展到形变。通过算法识别的微观结构数据达成的理解为表征和研究食品泡沫提供了一条新途径。
-
gc-ims-tools:一种用于GC-IMS数据化学计量学分析的新型Python包
查看原文2022
Food Chemistry
中科院一区JCR一区Joscha Christmann, Sascha Rohn & Philipp Weller
食品标签
植物油 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
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据气相色谱 - 离子迁移谱(GC-IMS)凭借高灵敏度与高分辨率,已成为用于复杂样品非靶向筛查的新兴台式分析技术。鉴于其在食品真伪鉴别等领域的广泛应用场景,亟需定制化的数据分析流程。此类流程需具备通用基础框架,涵盖文件输入 / 输出、预处理方法、探索性 / 有监督分析及可视化等核心功能。本研究开发了一款全新的开源、可完全定制的 Python 软件包,专门用于 GC-IMS 数据的处理与分析。以橄榄油产地分类为案例,验证了该工具的功能完整性与易用性;同时可视化呈现了关键预处理步骤、探索性 / 有监督数据分析及特征筛选过程。所有代码及详细文档均以开源形式免费发布,遵循 BSD 3-Clause 开源许可证协议,获取地址为:https://github.com/Charisma-Mannheim/gc-ims-tools。
-
利用低频核磁共振与近红外光谱结合BP人工神经网络监测混合煎炸油中游离脂肪酸含量
查看原文2022
Food Control
中科院一区JCR一区Linlin Zhao, Min Zhang, Haixiang Wang, & Arun S. Mujumdar
食品标签
油脂及油脂制品 加工与新加工技术 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据游离脂肪酸(FFA)是判定煎炸油废弃节点的关键指标,然而当前油脂中游离脂肪酸的检测方法操作繁琐、耗时费力。本研究基于低场核磁共振技术(LF-NMR)、近红外光谱技术(NIR),结合反向传播人工神经网络算法(BP-ANN),建立了两种无损检测方法,用于监测煎炸油样品中的游离脂肪酸含量。研究选取 105 份代表不同煎炸程度的废弃煎炸油样品,分别采用低场核磁共振、近红外光谱及标准参考方法进行检测。通过系统聚类分析(HCA)与主成分分析(PCA),对低场核磁共振特征参数(S 21、S 22、S 23、T 21、T 22、T 23)及近红外光谱数据进行自然聚类分析。最终建模结果显示,低场核磁共振模型与近红外光谱模型的决定系数(R 2)分别达到0.850和0.963。近红外光谱模型的决定系数较前者高出 0.113,这表明结合反向传播人工神经网络算法的近红外光谱技术,可作为一种精度更高的检测手段,用于监测煎炸油中的游离脂肪酸含量。