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
-
基于多元素筛查的化学计量学与创新多维数据分析以保护意大利牛肝菌免受欺诈
查看原文2020
Food Control
中科院一区JCR一区Antonio Francesco Mottese, Maria Rita Fede, Francesco Caridi, Giuseppe Sabatino, Giuseppe Marcianò, Giorgio Calabrese, Ambrogina Albergamo & Giacomo Dugo
食品标签
食用菌菇 矿物质与微量元素计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定本研究构建了一种融合主成分分析(PCA)、逐步典型判别分析(stepwise-CDA)、分类回归树(CART)、偏最小二乘判别分析(PLS-DA)及创新型多维分析(MDA)的统计模型,用于预测可食用牛肝菌(Boletus sect. Boletus)的地理来源。为此,研究对源自意大利不同产区、中国及波兰的 180 份市售与人工采集样本的元素特征进行化学计量学解析。主成分分析可将意大利产牛肝菌与中国、波兰产样本有效区分。多维分析结合主成分分析与系统聚类分析(HCA),筛选出钠(Na)、锰(Mn)、铁(Fe)、铜(Cu)、镉(Cd)等高效判别指标。最终,经训练优化、判别精度优异的逐步典型判别分析、分类回归树与偏最小二乘判别分析模型,仅通过镁(Mg)、锰(Mn)、铁(Fe)少量金属元素,即可实现市售牛肝菌样本的产地预测,并验证产品标签标注的产地信息。同时,模型均检出 1 件标注为意大利产地的市售样本,实际为中国产牛肝菌。综上,常规与创新化学计量学方法联用,可实现牛肝菌产地的可靠真实性鉴别,进而保护意大利产区产品免受欺诈行为侵害。
-
基于超声波测量与机器学习技术的管道内食品污垢清洗监测研究
查看原文2020
Food Control
中科院一区JCR一区J. Escrig, E. Woolley, A. Simeone & N.J. Watson
食品标签
清洗/CIP/卫生相关设备 过程监测与在线检测计算机标签
机器学习/统计学习 过程控制与实时优化 时序传感器/物联网数据食品饮料生产设备需定期清洗,以维持卫生状态并保障设备在最优工况下运行。现有清洗系统的一大缺陷是无法判定污垢是否已完全清除,因此几乎总会出现过度清洗的情况,由此产生高昂的经济成本与环境代价。本研究探究了采用超声检测技术结合多种机器学习分类方法,对塑料与金属圆柱形管道内食品类污垢的清除过程进行实时监测。实验结果表明,所构建的检测技术可对污垢存在状态进行预测,针对塑料管道与金属管道的预测置信度均最高可达 100%。该传感技术在塑料管道中的表现略优,而研究所用各类机器学习方法的检测性能相近。本研究证实,低成本超声传感器具备监测管道清洗过程、进而实现清洗工艺优化的应用潜力。文中同时探讨,若要在实际生产环境中有效应用该类技术,还需研发新的数据集标注策略。
-
利用ATR-MIR光谱与多元分析监测酒精发酵及检测乳酸菌污染
查看原文2020
Food Control
中科院一区JCR一区Julieta Cavaglia, Daniel Schorn-García, Barbara Giussani, Joan Ferré, Olga Busto, Laura Aceña, Montserrat Mestres & Ricard Boqué
食品标签
酒精饮料 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 红外/拉曼光谱数据葡萄酒生产工艺目前仍依赖生产后评估与非现场实验室分析,来保障终产品的品质。本研究提出一种在线旁检测方法,将便携式衰减全反射 - 中红外光谱仪(ATR-MIR)与多元分析相结合,用于酒精发酵过程监控及葡萄酒发酵异常的检测。研究共开展 36 组微型发酵实验,其中 14 组为正常发酵条件组(NFC),22 组为接种不同浓度乳酸菌(LAB)的人为污染发酵组(ICF)。在酒精发酵与苹果酸 - 乳酸发酵阶段采集 ATR-MIR 光谱数据,同时采用传统方法测定样品相对密度、pH 值与 L - 苹果酸含量。偏最小二乘回归法可实现发酵样品密度与 pH 值的精准预测,其预测均方根误差分别为 0.0014 g・mL⁻¹ 和 0.06。针对人为污染发酵组,在苹果酸 - 乳酸发酵结束前,当正常组与污染组间 L - 苹果酸浓度差值达到 0.7~0.8 g・L⁻¹ 量级时,多元判别分析法即可成功检出乳酸菌污染。该方法具备快速、简便的优势,作为在线旁分析工具,在发酵异常的早期预警方面展现出极大应用潜力。
-
近红外高光谱成像技术用于脱氧雪腐镰刀菌烯醇污染小麦样品定量与分类的标准化研究
查看原文2020
Food Control
中科院一区JCR一区Antoni Femenias, Ferran Gatius, Antonio J. Ramos, Vicente Sanchis & Sonia Marín
食品标签
小麦 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
偏最小二乘法 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/多光谱光谱近红外高光谱成像(HSI-NIR)是一项极具应用潜力的技术,可替代耗时、昂贵且具有破坏性的传统方法,分别依据 脱氧雪腐镰刀菌烯醇(DON) 浓度与污染等级,对受污染小麦籽粒或样品进行含量预测和污染分级。本研究的核心目标是:针对自然污染的完整小麦籽粒,建立标准化的近红外高光谱图像采集方法,形成高精度检测手段,以实现基于 DON 污染水平的样品定量分析与分级判别。研究以高效液相色谱法作为参比方法测定样品 DON 含量,用于结果验证。研究获取单粒籽粒与整样的高光谱图像,并通过多元分析软件完成光谱数据处理。前期研究表明,近红外高光谱成像技术可不受小麦籽粒朝向、摆放位置及像素选取的影响。后续构建的偏最小二乘(PLS)预测模型中,交叉验证模型的预测均方根误差(RMSEP)为 405 μg/kg,独立验证集模型的预测均方根误差为 1174 μg/kg。此外,以欧盟限量标准(1250 μg/kg)为界划分两个等级,采用线性判别分析(LDA)得到的分类准确率为 62.7%。尽管本研究结果在 DON 定量与样品分级上精度尚显不足,但可为后续优化检测流程、完善 DON 管控技术体系提供研究基础与起点。
-
手持式近红外光谱与机器学习技术集成用于鸡肉真实性的“测量与监测”研究
查看原文2020
Food Control
中科院一区JCR一区Hadi Parastar, Geert van Kollenburg, Yannick Weesepoel, André van den Doel & Lutgarde Buydens b, Jeroen Jansen
食品标签
禽肉 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 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据本研究将便携式手持式近红外(NIR)光谱技术与前沿分类算法相结合,建立了一套高效的鸡肉真伪鉴别方法。研究结果表明,利用近红外光谱不仅可以区分鲜肉与解冻肉,还能以较高准确率根据肉鸡养殖条件对鸡胸肉进行正确分类。在所有试验中, 随机子空间判别集成算法(RSDE) 的性能均显著优于偏最小二乘判别分析(PLS-DA)、人工神经网络(ANN)、支持向量机(SVM)等常用分类方法,分类准确率超过 95%。本研究证实,手持式近红外光谱结合机器学习算法,可作为一种实用、快速、无损的检测工具用于鸡肉真伪鉴别。通过对比并组合不同的近红外光谱采集方案(即透过包装检测与直接接触肉样检测),本研究展示了该技术可供普通消费者与食品监管部门使用,用于核验包装鸡胸肉的真伪与来源的应用潜力。