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
-
通过电子鼻结合机器学习方法在素腐发酵过程中非破坏性测定挥发性化合物并预测氨基酸氮
查看原文2024
LWT
中科院一区JCR一区Yiwen Xie, Chaofan Guo, Sakamon Devahastin, Lianzhou Jiang, Ming Du, & Junjie Yi
食品标签
大豆发酵制品 特征风味 过程监测与在线检测 光谱/色谱/质谱等分析方法 发酵工艺与动力学 其他植物化学物质计算机标签
机器学习/统计学习 偏最小二乘法 支持向量机 定量预测/回归分析 时序传感器/物联网数据电子鼻结合不同的机器学习方法被测试作为预测腐乳发酵程度的工具,以氨基酸氮含量作为指标。随着发酵时间的延长,电子鼻信号值和氨基酸氮含量均显示出持续增加。腐乳中的挥发性化合物数量在发酵过程中从19种增加到61种,其中46种化合物被确定为主要的香气贡献者。其中,丙酮、棕榈酸乙酯和靛胭脂与氨基酸氮含量表现出强相关性。三种预测模型,即偏最小二乘回归、支持向量机和人工神经网络,被测试其预测氨基酸氮含量的能力。所有模型都能够定量预测氨基酸氮的含量,其中基于人工神经网络(ANN)的模型表现出最高的预测精度(R P 2 = 0.968,RMSE = 5.49 × 10⁻⁸)。电子鼻结合适当的预测模型被认为是评估腐乳发酵程度的一个有前景的工具。
-
基于近红外高光谱成像与化学计量学的藏红花中柱头掺杂检测
查看原文2024
Food Control
中科院一区JCR一区Derick Malavi, Amin Nikkhah, Pejman Alighaleh, Soodabeh Einafshar, Katleen Raes, & Sam Van Haute
食品标签
香精香料 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 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱藏红花是一种高价值香辛料,极易成为掺假目标。本研究提出采用近红外高光谱成像技术(NIR-HSI)结合化学计量学方法,构建一种快速经济的藏红花柱头掺假检测与定量分析方案。实验通过向纯藏红花柱头中添加不同浓度(20%–90%)的藏红花花柱,制备得到系列掺假样品。光谱数据预处理采用标准正态变量变换(SNV)与多元散射校正(MSC)两种方法;变量降维则通过主成分分析(PCA)与偏最小二乘法(PLS)完成。定性分类建模选用线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)及多层感知器(MLP)四种模型;定量分析则基于 PLS、PCA、SVM 和 MLP 构建回归模型。结果显示,所有分类模型均能高效区分纯藏红花、植物源性掺假物及掺假藏红花样品,正确分类率达 95.6%–100%。用于测定藏红花花柱掺假比例的回归模型预测性能优良,几乎所有模型的残差预测偏差(RPD)值均处于 3.0–5.4 区间。其中,基于 SNV 预处理结合 PLS 降维(提取 15 个潜变量)所构建的 MLP 模型(含 1 个隐含层、3 个神经元)表现出最优预测能力,其预测决定系数(Rp2)达 0.97、预测均方根误差(RMSEP)为 4.3%、残差预测偏差(RPD)为 5.4。研究结果证实,近红外高光谱成像技术结合化学计量学方法,在藏红花柱头中花柱掺假的快速无损检测与定量分析领域具有良好应用潜力。
-
基于拉曼光谱与可解释性支持向量机的 Omega-3 鱼油补充剂鉴别方法
查看原文2024
Food Control
中科院一区JCR一区Wedilley F. Soares, Billy D. Chhinchin-Piñan, Renato M. Silva & Jailer E.L. alla
食品标签
动物油脂 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 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集近年来,利用机器学习算法开发自动化分析方法和智能传感器的相关研究显著增多。尽管这类算法通常能展现出优异性能,但其可解释性较差仍是主要局限性之一。本研究提出一种高效的认证方法,用于鉴别获得认证的 Omega-3 鱼油膳食补充剂,该方法基于振动光谱技术(拉曼光谱法)与具有化学可解释性的机器学习算法(区间支持向量机,iSVM)。研究以无损方式采集了 248 份认证 Omega-3 鱼油样品和 520 份非认证样品的拉曼光谱。通过将 iSVM 的判别能力与对应光谱区间内的拉曼特征峰相关联,揭示了认证与非认证补充剂在化学成分上的关键差异。研究对方法的各项性能指标(如准确率、F1 分数)进行了估算与严谨分析,并利用独立样品开展额外的外部验证,以评估模型的稳健性与泛化能力。结果表明,所提出的拉曼光谱 - 区间支持向量机(Raman-iSVM)方法不仅具备出色的化学可解释性(证实不饱和脂肪酸的拉曼特征峰对样品鉴别至关重要),还具有高准确率(内部验证集与外部验证集准确率分别达 96% 和 92%)、检测快速、设备便携、计算成本低等优势。因此,本研究认为该方法可直接应用于 Omega-3 鱼油补充剂及其他食品的现场质量监测。
-
一种综合策略,将化学特征分析与深度学习结合,用于筛选功能性食品抗凝血酶生物活性-化学质量标志物:以葛根为例
查看原文2024
LWT
中科院一区JCR一区Meiqi Liu, Zicheng Ma, Yalan Li, Piaopiao Yang, Meng Wang, Yanan Liu, Lili Sun, Meiling Chen, & Xiaoliang Ren
食品标签
其他果蔬制品/植物类 营养与生物功能 其他生物活性与健康效应 体外模型 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
深度学习 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据葛根(Pueraria lobata radix,PL)和川葛根(Puerariae thomsonii radix,PT)是营养丰富的药食同源植物,广泛应用于食品和保健品行业。它们都被用作药用葛根(Pueraria radix,PR)。在本研究中,通过化学指纹图谱结合深度学习的方法发现了与功能相关的活性标志物,以评估葛根。首先,建立了红外(IR)光谱指纹图谱。PL 和 PT 在指纹区的红外光谱不同。层次聚类分析(HCA)、主成分分析(PCA)和偏最小二乘法判别分析(PLS-DA)可以区分PL和PT样品。进一步应用超高效液相色谱-四极杆飞行时间质谱(UPLC-Q-TOF-MS)鉴定了PL和PT的主要成分,在PL中鉴定出30种化学成分,在PT中鉴定出15种化学成分。进行了体外抗凝血酶实验,以显示不同批次的PL和PT提取物,并可根据活性强弱进行区分。与抗凝血酶活性相关的潜在活性标志物通过PCA和PLS-DA进行了筛选。最终,应用分子对接结合BP-ANN、CP-ANN、SIMCA和SVMDA筛选出了3′-羟基葛根素、葛根素、3′-甲氧基葛根素、大豆苷元和大豆异黄酮作为功能性标志物。基于凝血酶的生物活性化学标志物组合发现策略是筛选PR质量标志物的有力工具。
-
深度机器学习利用多光谱成像识别鱼肉
查看原文2024
Current Research in Food Science
中科院一区JCR一区Zhuoran Xun, Xuemeng Wang, Hao Xue, Qingzheng Zhang, Wanqi Yang, Hua Zhang, Mingzhu Li, Shangang Jia, Jiangyong Qu & Xumin Wang
食品标签
鱼肉 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
支持向量机 随机森林 主成分分析/判别分析 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱食品欺诈在水产食品市场中十分普遍,因此需要快速且无损的鱼肉鉴别方法。本研究结合基于线粒体COI基因的鉴定方法,采用多光谱成像(MSI)技术对中国烟台周边海域常见的20种可食用鱼类的肉片进行了筛选。研究发现,由多光谱成像数据转换得到的nCDA图像在这20种鱼类的肉片上显示出显著差异。随后,我们采用8种模型,基于保留法(将数据集按70%用于训练、30%用于测试)对它们的预测性能进行了比较。卷积神经网络(CNN)、二次判别分析(QDA)、支持向量机(SVM)和线性判别分析(LDA)模型在交叉验证和测试数据上表现良好。其中,CNN和QDA在测试集上的准确率达到了99%以上。通过提取CNN特征并进行优化,所有物种都实现了高度的分离。此外,基于随机森林(RF)中的基尼指数,我们筛选出11个波段作为CNN的关键分类特征,准确率达到了98%。本研究成功构建了一个将机器学习模型(尤其是CNN)应用于多光谱成像鱼肉鉴别的流程,并为未来鱼肉的市场销售鉴别提供了一种便捷、无损的方法。