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
-
傅里叶变换近红外光谱结合化学计量学快速检测姜粉掺假
查看原文2022
Food Chemistry: X
中科院一区JCR一区Dai-xin Yu, Sheng Guo, Xia Zhang, Hui Yan, Zhen-yu Zhang, Xin Chen, Jiang-yan Chen, Shan-jie Jin, Jian Yang & Jin-ao Duan
食品标签
香精香料 食品安全与风险评估 颜色与外观品质 常规理化指标测定 光谱/色谱/质谱等分析方法计算机标签
随机森林 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据姜粉是一种世界流行的香料。由于其营养价值,姜粉成为了一个诱人的掺假目标,且不易被检测出来。本研究开发了色度分析和傅里叶变换近红外光谱结合化学计量学的方法,用于识别和量化姜粉及其掺假物。结果表明,通过色度分析无法完全区分纯姜粉和掺假姜粉。而优化的近红外光谱可以准确地区分 authentic 姜粉和掺假样品。随机森林和梯度提升算法在分类中表现出最高的准确率(100%)。此外,成功建立了一个定量模型来预测姜粉中的掺假水平。对于纯姜粉和掺假姜粉,预测偏差的最佳参数分别为 8.92、13.68、14.61 和 4.30。总体而言,FT-NIR 光谱是一种有前景的工具,可以快速识别姜粉中潜在的掺假并追踪掺假物类型。
-
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。
-
基于MALDI-TOF MS与机器学习的热处理牛乳鉴别
查看原文2022
Food Control
中科院一区JCR一区Shishan Zhang, Huizhi Li, Qiongzheng Hu, Ze Wang, & Xiangfeng Chen
食品标签
液态乳 品质、结构与理化性质 传统热加工 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 组学数据热力杀菌会改变乳及乳制品的分子组成与品质特性。鉴别不同条件下的热处理乳样品,对乳制品的真实性鉴定与质量管控具有重要现实意义。本研究建立了一种基于基质辅助激光解吸电离飞行时间质谱(MALDI-TOF MS)结合机器学习的简便精准方法,用于区分不同热处理工艺的乳样品。研究采集本地奶牛场的生乳样品,通过设置不同的加热温度与保温时长处理,实现对多梯度热负荷条件的覆盖。采用偏最小二乘判别分析(PLS-DA)、最小绝对收缩与选择算子(LASSO)及交叉验证递归特征消除法(RFECV)三种正交统计方法,从质谱数据中筛选特征肽段的信号。将筛选得到的特征肽段作为变量,用于机器学习模型的训练与测试。研究共选取 14 种算法构建并评估热处理乳样品的判别模型,以准确率、召回率、F1 值为指标完成模型性能的对比与最优模型筛选。结果表明,线性核函数支持向量机(SVM-L)、随机森林(RF)、线性判别分析(LDA)及惩罚判别分析(PDA) 的性能最优,预测准确率分别达 0.97、0.96、0.96 和 0.96。综上,基质辅助激光解吸电离飞行时间质谱分析结合机器学习算法,可有效实现对不同热处理乳样品的精准鉴别。
-
探索先进机器学习在识别伤寒沙门氏菌严重疾病表型中的预测能力
查看原文2022
Food Research International
中科院一区JCR一区Shraddha Karanth, Collins K. Tanui, Jianghong Meng, & Abani K. Pradhan
食品标签
微生物安全 基因组学 其他特殊成分计算机标签
支持向量机 随机森林 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据过去几年中,全基因组测序信息的可获得性显著增加,使其能够被纳入食源性病原体的预测建模中,以考虑其毒力的种间和种内差异。然而,与观测值/分离株数量相比,传统统计方法分析如此大量数据的能力有限,这限制了其应用。在本研究中,我们探索了机器学习 (ML) 模型在预测疾病结果中的适用性,同时识别对预测有显著影响的特征。本研究的对象是沙门氏菌 (Salmonella enterica),这是一种具有显著亚型间和亚型内差异的主要食源性病原体。从各种来源(即人类、鸡和猪)获得的分离株的全基因组测序(WGS)被用作四种机器学习模型(带岭回归的逻辑回归、随机森林、支持向量机和AdaBoost)的输入,以根据宿主的疾病严重程度(肠外感染与胃肠感染)对分离株进行分类。所有模型的预测性能均在有无弹性网正则化的情况下进行了测试,以应对高维度问题。弹性网正则化的逻辑回归模型显示出最佳的受试者工作特征曲线下面积(AUC-ROC;0.86)和结果预测准确率(0.76)。此外,编码转录调控、酸性、氧化和厌氧应激反应以及抗生素抗性相关基因被发现是疾病严重程度的重要预测因子。这些基因与每种结果显著相关,可能会被输入修改后的、特定基因表达的预测模型中,以估算沙门氏菌和其他食源性病原体对人类健康的特定毒力模式的影响。
-
基于便携式近红外光谱仪对麝香章鱼和普通章鱼原产地标签的监测研究
查看原文2022
Food Control
中科院一区JCR一区Maria Olga Varrà, Sergio Ghidini, Maria Pia Fabrile, Adriana Ianieri, & Emanuela Zanardi
食品标签
鱼肉 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 随机森林 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据基于小型化便携式近红外(NIR)光谱仪的现代分析技术,因满足快速、环保、经济高效且操作简便的检测要求,特别适用于水产品的真实性鉴别。本研究旨在验证便携式超紧凑型近红外光谱仪结合机器学习技术,对两种章鱼品种进行产地溯源的适用性。实验采集了 118 份麝香章鱼样本与 29 份普通章鱼样本(分别隶属麝香章鱼属与普通章鱼)的近红外光谱(光谱范围 908.1–1676.2 nm),这些样本均源自葡萄牙大西洋海域与西班牙地中海海域。研究人员对光谱数据进行重复采集、预处理后,分别采用正交偏最小二乘判别分析(OPLS-DA)、逻辑回归(LR)、随机森林(RF)、支持向量机(SVM)及多层感知器人工神经网络(MLP-ANN)五种分类算法开展数据分析。以 75% 的样本数据进行 7 折交叉验证,结果显示:线性分析工具(正交偏最小二乘判别分析与逻辑回归) 在两种章鱼的产地识别中表现出最优的性能与稳定性,其平均灵敏度、特异度、准确率及精密度均高于 98%。在外部验证阶段,正交偏最小二乘判别分析、支持向量机与多层感知器人工神经网络对普通章鱼的产地判别效果更优;而逻辑回归与多层感知器人工神经网络则更适用于麝香章鱼的产地鉴别。研究结果表明,便携式近红外光谱技术与机器学习的联用,有望成为构建一体化分析平台的可行方案。该平台具备自动化数据采集、处理与报告功能,可助力水产品的现场检测与在线监测工作。