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
-
通过分析淀粉颗粒形态的神经网络实现面粉类型的自动验证以确保“加利西亚面包”原产地保护标志
查看原文2024
Food Control
中科院一区JCR一区Xosé R. Fdez-Vidal, Nerea Fernández-Canto, María Ángeles Romero-Rodríguez, Ana María Ramos-Cabrer, Santiago Pereira-Lorenzo, & Matilde Lombardero-Fernández
食品标签
碳水化合物配料 品质、结构与理化性质 显微与成像技术计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据面粉的质量管控是保障其制成品面包品质的关键环节。本研究提出一种基于淀粉颗粒形态特征的面粉质量控制方法。对于致力于生产 “加利西亚面包” 这一受保护地理标志(PGI)产品的生产商而言,利用显微图像实现面粉中各类谷物淀粉颗粒的自动化识别、分割及平均粒径测定,是一项不可或缺的核心工序。若由专业技术人员人工完成此项识别与计数工作,不仅过程繁琐,还需耗费大量时间。因此,实现该任务的自动化,除大幅节省时间成本外,更可显著提升整体工艺流程的效率。本文首次采用深度学习方法(掩码区域卷积神经网络,Mask R-CNN),开展淀粉颗粒的种类判定及粒径预测研究。研究人员使用此前人工识别计数时所用的原始偏振光显微图像,对训练完成的模型进行性能验证。本研究分析的数据集包含 1308 张分辨率为 2564×1924 像素的显微图像,图像中标注了两种小麦的 17000 个淀粉颗粒 —— 分别为卡斯蒂利亚商用小麦粉(0 类)和加利西亚本土小麦粉 “卡阿韦罗”(1 类),且两类样本的数量大致相当。基于 Mask R-CNN 的实例分割模型(模型 Ⅱ)在未知图像检测中表现出良好性能:其分类总体准确率约为 88.6%,淀粉颗粒面积的测定结果与专业人员人工估算值的偏差小于 4%。Mask R-CNN 模型所实现的检测效果,与专业人员人工分析结果呈现高度相关性,充分验证了本研究提出方法的实际应用价值。
-
共聚焦拉曼显微光谱结合光谱筛选算法用于大米淀粉的定量分析
查看原文2023
Food Hydrocolloids
中科院一区JCR一区Xiao Wei, Fang Li, Anand Babu Perumal, Alireza Sanaeifar, Mahamed Lamine Guindo, Yongqiang Shi, Yong He & Fei Liu
食品标签
碳水化合物配料 其他品质相关性质 常规理化指标测定 显微与成像技术 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 支持向量机 特征工程与选择策略 超参优化/自动机器学习 定量预测/回归分析 红外/拉曼光谱数据淀粉是水稻的主要成分之一。本文研究了共聚焦拉曼显微光谱结合光谱筛选算法定量检测大米中淀粉的可行性。首先,对样品的拉曼光谱进行预处理和光谱筛选算法的数据处理。其次,分别通过偏最小二乘回归、粒子群优化-支持向量回归、灰狼优化器-支持向量回归以及反向传播神经网络建立定量淀粉检测模型。之后,使用预测集验证了定量淀粉检测模型。最终,经归一化和IPLS筛选后的GWO-SVR淀粉定量检测模型的预测集相关系数、预测集均方根误差和平均相对误差分别为0.8915、1.03%和1.08%。实验结果表明,经过适当的预处理和光谱筛选算法后,通过CRM快速准确地检测大米中淀粉含量是可行的。
-
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。
-
基于近红外光谱(NIRS)同时测定表观直链淀粉、直链淀粉和支链淀粉含量及糯米的分类
查看原文2022
Food Chemistry
中科院一区JCR一区Li-Hong Xie, Shao-Qing Tang, Xing-Jin Wei, Zhong-Hua Sheng, Gao-Neng Shao, Gui-Ai Jiao, Shi-Kai Hu, Wang-Lin & Pei-Song Hu
食品标签
碳水化合物配料 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
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据稻米淀粉的表观直链淀粉含量(AAC)、直链淀粉含量(AC)与支链淀粉含量(AP)特性,是影响稻米品质的核心指标,因其与食用品质高度相关。本研究首次采用近红外光谱技术(NIRS),实现米粉中直链淀粉含量、支链淀粉含量的定量预测,并完成糯稻与非糯稻的判别分析。研究对比并优化了由不同数学预处理方法、波长及信号组合所构建的定标模型。采用改进偏最小二乘法(MPLS),结合 “2, 8, 8, 2” 预处理 / 多元散射校正逆变换(Inverse MSC),并选用约 138 个波长信号所建立的模型,可同步测定表观直链淀粉含量、直链淀粉含量、支链淀粉含量,决定系数(RSQ)分别高达 0.977、0.928 和 0.912。改进偏最小二乘判别分析法(MPLS-DA)对糯稻与非糯稻的分类准确率达到 100%。该高通量检测技术在水稻育种研究及食品行业品质管控中具有重要应用价值。
-
机器学习预测壳聚糖基絮凝剂的重金属去除效果
查看原文2022
Carbohydrate Polymers
中科院一区JCR一区Chun Lu, Zuxin Xu, Bin Dong, Yunhui Zhang, Mei Wang, Yifan Zeng & Chen Zhang
食品标签
碳水化合物配料 其他品质相关性质 化学污染物 过程优化与控制策略 常规理化指标测定 碳水化合物与糖类计算机标签
其他深度学习结构 支持向量机 随机森林 梯度提升决策树 定量预测/回归分析 过程控制与实时优化壳聚糖基絮凝剂被广泛应用于去除水中的溶解态重金属。然而,在不同条件下预测其去除效率是一个复杂的问题。本研究开发了机器学习模型来预测 CBFs 的重金属去除能力。应用了四种机器学习算法,包括人工神经网络、支持向量机、梯度提升机和随机森林。输入特征包括絮凝剂投加量、初始金属浓度、pH 值、温度和离子强度。模型预测结果与实验数据进行了比较,显示出较高的准确性。在这些模型中,ANN 和 GBM 表现最佳。这种方法能够优化 CBFs 在水处理中的应用,节省时间和资源。