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 276 条结果
-
基于机器学习的pH响应型比色传感器阵列用于牛肉新鲜度实时监测
查看原文2023
Food Control
中科院一区JCR一区Yuandong Lin, Ji Ma, Da-Wen Sun, Jun-Hu Cheng, & Qijun Wang
食品标签
畜肉 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 支持向量机 随机森林 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据本研究开发了一种基于pH 响应型比色传感阵列(CSA) 的新型技术策略,将其与机器学习模型相结合,通过检测挥发性盐基氮(TVB-N)含量实现牛肉新鲜度的高效实时监测。研究共计算得到 168 个颜色特征参数,并采用序贯前向选择法(SFS)、随机森林算法(RF)及主成分分析法(PCA),筛选出对 TVB-N 含量变化具有敏感性的有效颜色特征。在此基础上,分别基于全颜色特征与有效颜色特征,构建偏最小二乘回归(PLSR)线性模型,以及随机森林回归(RFR)、支持向量机回归(SVR)非线性模型,对 28℃贮藏条件下牛肉的 TVB-N 含量进行预测。结果显示,RF-SVR 组合模型性能最优,其预测决定系数(Rp2)达 0.9596,预测均方根误差(RMSEP)为 1.89 mg/100g,相对预测偏差(RPD)为 4.98。此外,研究将基于 RF-SVR 模型的 pH 响应型比色传感阵列应用于 4℃冷藏牛肉的新鲜度定量分析,并采用牛肉 TVB-N 含量标准检测方法进行验证。结果表明,比色传感阵列结合机器学习技术,可作为一种客观、无损的检测工具,通过监测 TVB-N 含量实现牛肉新鲜度的精准评价。
-
基于图像评估与机器学习预测多糖基食品墨水用于3D打印的可打印性
查看原文2023
Food Research International
中科院一区JCR一区Yixing Lu, Rewa Rai & Nitin Nitin
食品标签
碳水化合物配料 3D 打印与结构构筑 质构与流变性质 质构与流变测试 显微与成像技术 碳水化合物与糖类计算机标签
机器学习/统计学习 随机森林 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据尽管用于食品制造的3D打印需求与兴趣日益增长,但基于生物聚合物组成和流变特性来预测食品级材料的可打印性仍是一项重大挑战。本研究开发了两种基于图像的可打印性评估指标:打印线条的宽度和粗糙度,并使用响应面方法(RSM)结合回归分析和机器学习,利用这些指标评估基于水凝胶的食品墨水的可打印性。使用低甲氧基果胶(LMP)和纤维素纳米晶(CNC)配制、具有不同离子交联密度的食品级墨水的流变学和组成特性被用作可打印性的预测因子。RSM和线性回归显示,基于配方参数对流变特性具有良好的预测能力,但无法预测可打印性指标。对于基于机器学习的预测模型,可打印性指标通过预先指定的阈值进行二值化,并训练随机森林分类器来预测线条宽度和粗糙度标签,以及使用配方和流变参数预测墨水的整体可打印性。在不包含配方参数的情况下,仅基于流变学测量数据训练的模型能够实现较高的预测准确率:对宽度和粗糙度标签的预测准确率为82%,对整体可打印性标签的预测准确率为88%,这证明了预测本研究开发的多糖墨水可打印性的潜力,并可能将该模型推广至具有不同成分的食品墨水。
-
FAPD:基于机器学习的黄酮类化合物涩感阈值和涩感类型预测数据库
查看原文2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Tianyang Guo, Fei Pan, Zhiyong Cui, Zichen Yang, Qiong Chen, Lei Zhao, & Huanlu Song
食品标签
复合/即食/餐饮食品 特征风味 标准/法规/数据库分析 多酚与黄酮计算机标签
支持向量机 随机森林 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主涩感是一种收敛或绒滑感,主要来源于食品中的黄酮类化合物。传统涩味化合物发现依赖实验,劳动强度高且成本较大,而机器学习可显著加速这一过程。本研究提出基于机器学习的黄酮涩感预测数据库 FAPD。首先,研究对黄酮类化合物的分子指纹相似性和涩感阈值进行层次聚类分析。针对涩感阈值预测,建立了高斯过程回归、支持向量回归、随机森林和梯度提升决策树四种回归模型,其中随机森林表现最佳,并采用 SHAP 方法进行解释。针对涩感类型预测,研究建立了随机森林、梯度提升决策树、高斯朴素贝叶斯、支持向量机、k 近邻和随机梯度下降六种分类模型,其中随机梯度下降模型表现最佳。研究进一步发现并整理了 1200 多种天然黄酮化合物,构建定制化 FAPD;数据库中涩感阈值由随机森林预测,涩感类型由随机梯度下降区分,并通过 t-SNE 验证真实和预测涩感类型。该研究表明,机器学习模型可用于预测黄酮类化合物的涩感阈值和涩感类型,为食品风味设计和感官品质调控提供数据资源。
-
威尼托产区受保护原产地葡萄酒的溯源:多元素、同位素及化学计量学分析
查看原文2023
Food Chemistry
中科院一区JCR一区Mattia Rapa, Marco Ferrante, Ilia Rodushkin, Cora Paulukat & Marcello Enrique Conti
食品标签
酒精饮料计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 逻辑回归/贝叶斯 深度学习 分类/鉴别/等级评定原产地命名保护葡萄酒的溯源与真伪鉴别,是保障其生产与流通体系的重要课题。本文选取七款威尼托原产地命名保护葡萄酒开展研究,分别为阿玛罗尼、巴多利诺、库斯托扎、灰皮诺、雷乔托、苏瓦韦及瓦尔波利切拉。为此,研究采集威尼托大区219份葡萄酒样品,利用高分辨电感耦合等离子体质谱与多接收电感耦合等离子体质谱,测定63种元素及6种同位素比值并进行特征分析。化学计量学分析表明,砷、钙、铯、硼11同位素比值与锶87/锶88同位素比值是区分各类原产地命名保护葡萄酒最具判别价值的特征指标。研究验证了七种分类模型,包括线性判别分析、二次判别分析、k近邻算法、朴素贝叶斯、随机森林、人工神经网络及支持向量机,上述模型可对阿玛罗尼、巴多利诺、灰皮诺、雷乔托原产地命名保护葡萄酒实现精准分类。本文首次融合多元素、同位素检测与化学计量学分析方法,成功构建了适用于七款威尼托原产地命名保护葡萄酒的精细化溯源技术体系。
-
基于监督机器学习的电子鼻快速分析肉丝来源以实现食品鉴定
查看原文2023
npj Science of Food
中科院一区JCR一区Linda Ardita Putri, Iman Rahman, Mayumi Puspita, Shidiq Nur Hidayat, Agus Budi Dharmawan, Aditya Rianjanu, Sunu Wibirama, Roto Roto, Kuwat Triyana & Hutomo Suryo Wasisto
食品标签
其他肉与水产品 特征风味 食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
随机森林 K-近邻 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 时序传感器/物联网数据肉丝来源的鉴定对消费者至关重要,因为存在与含猪肉食品相关的过敏疾病风险或宗教观点。在此,我们开发并评估了一种紧凑便携的电子鼻(e-nose),包含气体传感器阵列和监督机器学习,采用窗口时间切片方法来嗅闻和分类不同的肉丝产品。我们评估了四种不同的监督学习方法进行数据分类(即线性判别分析(LDA)、二次判别分析(QDA)、k-近邻(k-NN)和随机森林(RF))。其中,配备五窗口提取特征的LDA模型在区分牛肉、鸡肉和猪肉肉丝时,验证和测试数据的准确率均高于99%。所获得的电子鼻结果与傅里叶变换红外光谱(FTIR)和气相色谱-质谱联用(GC-MS)测量的光谱数据相关并得到确认。我们发现牛肉和鸡肉具有相似的化合物组(即烃类和醇类)。同时,醛类化合物(如十二醛和9-十八烯醛)在猪肉产品中占主导地位。基于性能评估,开发的电子鼻系统在食品真实性测试中显示出有希望的结果,为普遍检测欺诈和食品欺诈尝试铺平了道路。