类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 276 条结果
-
基于比色传感器阵列和化学计量学方法的嗅觉可视化传感器系统用于高精度评估牛肉新鲜度
查看原文
2022
Meat Science
中科院一区JCR一区
Weidong Xu, Yingchao He, Jiaheng Li, Yong Deng, Jianwei Zhou, Enbo Xu, Tian Ding, Wenjun Wang & Donghong Liu
食品标签
畜肉 品质、结构与理化性质 微生物安全 常规理化指标测定 显微与成像技术 微生物计数与生长曲线计算机标签
支持向量机 随机森林 K-近邻 主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 质构/流变/感官数据牛肉容易腐败，导致食源性疾病和高社会成本。本研究提出了一种基于比色传感器阵列和化学计量学方法的新型嗅觉可视化系统来检测牛肉新鲜度。首先，根据溶剂化显色效应，将十二种颜色敏感材料固定在疏水平台上，以获取牛肉样品的气味信息。其次，使用机器视觉算法提取气味指纹，并采用主成分分析压缩指纹的特征维度。最后，根据总挥发性盐基氮和菌落总数的值，构建了四种定性模型（k近邻、极限学习机、支持向量机和随机森林）来评估牛肉新鲜度。结果表明，支持向量机具有较好的预测能力，训练集和预测集的精度分别为95.83%和95.00%。结果揭示，这种简单构建的嗅觉可视化传感器系统可以快速、稳健、准确地评估牛肉新鲜度。
-
使用一维卷积神经网络和随机森林模型的高光谱成像与深度学习在食品中梭状芽孢杆菌孢子的量化
查看原文
2021
Food Research International
中科院一区JCR一区
Aswathi Soni, Mahmoud Al-Sarayreh, Marlon M. Reis, & Gale Brightwell
食品标签
马铃薯 预制菜/即食菜肴 微生物安全 显微与成像技术 微生物计数与生长曲线计算机标签
卷积神经网络 随机森林 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/多光谱光谱梭状芽孢杆菌（Clostridium sporogenes）芽孢被用作肉毒梭状芽孢杆菌（Clostridium botulinum）的替代物，以验证食品工业灭菌方案中的热处理暴露和杀伤效果。常规的芽孢检测方法耗时且劳动强度大。本研究的目标是评估使用高光谱成像（HSI）和深度学习方法的可行性，首先用于识别C. sporogenes芽孢的死芽孢和活芽孢形式，其次用于估算培养基平板和即食土豆泥（食品基质）中芽孢的浓度。C. sporogenes芽孢通过在羊血琼脂（SBA）和平板计数大豆胨琼脂（TSA）平板上涂布或点样接种，以及在土豆泥表面涂布接种。选定区域在547 - 1701 nm光谱范围内的反射率用于主成分分析（PCA）。PCA 成功地区分了死孢子和活孢子，以及在 TSA 和 SBA 培养基上不同水平的接种量（10² 到 10⁶ CFU/ml），但在马铃薯泥（食品基质）上效率不高。因此，使用了深度学习分类框架，即一维卷积神经网络（CNN）和随机森林（RF）模型。CNN 模型的表现优于 RF 模型，在含有和不含死孢子的情况下，孢子定量的准确率分别提高了 4% 和 8%。本研究使用的筛选系统是 HSI 与深度学习建模的结合，当存在和不存在死/失活孢子时，总体准确率分别达到了 90% - 94%。唯一的差异是在预测低接种量样本（<10² CFU/ml）时出现的。总之，很明显，高光谱成像（HSI）结合深度学习方法在检测和量化营养基质以及特定食品基质（土豆泥）中的孢子方面显示出巨大潜力。然而，任何样本中死孢子的存在被推测会影响准确性，因此需要进行重复实验和验证性分析。
-
含精油纯组分的乙烯-乙烯醇共聚物薄膜处理下 Fusarium culmorum 与 F. proliferatum 生长及其毒素产生的机器学习预测方法
查看原文
2021
International Journal of Food Microbiology
中科院一区JCR一区
Andrea Tarazona, Eva María Mateo, José Vicente Gómez, Rafael Gavara, Misericordia Jiménez & Fernando Mateo
食品标签
玉米 微生物安全 活性包装 微生物计数与生长曲线计算机标签
深度学习 随机森林 梯度提升决策树 定量预测/回归分析禾谷镰刀菌（Fusarium culmorum）和层出镰刀菌（F. proliferatum）能在食物链的不同环节生长并分别产生玉米赤霉烯酮（ZEA）和伏马毒素（FUM）。使用抗真菌化学药剂来控制这些真菌和真菌毒素，会增加食品和饲料中有毒残留物的风险，并诱发真菌耐药性。本研究评估了一种新的多学科方法，该方法基于含精油纯组分（EOCs）的生物活性乙烯 - 乙烯醇共聚物（EVOH）薄膜的使用以及机器学习（ML）方法。生物活性EVOH - EOC薄膜是通过掺入肉桂醛（CINHO）、柠檬醛（CIT）、异丁香酚（IEG）或芳樟醇（LIN）制成的。研究应用了多种机器学习方法（神经网络、随机森林和极端梯度提升树）以及多元线性回归（MLR），并对不同水分活度（aw）（0.96和0.99）和温度（20℃和28℃）条件下真菌生长和毒素产生的模型进行了比较。根据EOC、aw和温度的不同，EVOH薄膜中EOCs使真菌生长速率（GR）降低50%、90%和100%的有效剂量（ED50、ED90和ED100）范围分别为200至＞3330、450至＞3330以及660至＞3330μg/真菌培养物（培养皿中25g部分研磨的玉米粒）。EVOH - EOC薄膜的类型和EOC剂量对两种真菌的生长速率以及ZEA和FUM的产生均有显著影响。温度也会影响生长速率，而aw仅影响层出镰刀菌的生长速率和FUM产生。EVOH - CIT是对抗这两种真菌以及ZEA和FUM产生的最有效薄膜。通常，当EOC水平升高时，培养基中的生长速率和真菌毒素水平会下降，但某些处理与特定的aw和温度值结合时会诱导ZEA的产生。随机森林模型对禾谷镰刀菌和层出镰刀菌的生长速率以及ZEA和FUM产生的预测效果优于神经网络或极端梯度提升树。多元线性回归模型的性能最差。这是首次探讨机器学习在研究含EOCs的生物活性EVOH薄膜及环境条件对禾谷镰刀菌和层出镰刀菌生长以及ZEA和FUM产生影响方面的潜力。结果表明，这些创新的包装系统与机器学习方法相结合，有望成为预测和控制食品中与这些产毒真菌及真菌毒素相关风险的有效工具。
-
结合机器学习与元素剖析，用于中国地理标志（GI）水稻的地理认证
查看原文
2021
npj Science of Food
中科院一区JCR一区
Fei Xu, Fanzhou Kong, Hong Peng, Shuofei Dong, Weiyu Gao & Guangtao Zhang
食品标签
大米 食品安全与风险评估 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
支持向量机 随机森林 特征工程与选择策略 分类/鉴别/等级评定 质构/流变/感官数据 中等规模数据集鉴定地理来源对于保护具有指定产地的有价值的农产品的真实性至关重要。在本研究中，开发了一种稳健且准确的分析方法，可以认证地理标志（GI）产品的地理来源。该方法基于电感耦合等离子体质谱（ICP-MS）的元素分析，并结合机器学习技术进行模型构建和特征选择。该方法成功预测和分类了六个品种的中国地理标志大米。测定了131个大米样品的元素谱，并实现了两种机器学习算法，支持向量机（SVM）和随机森林（RF），以及特征选择算法Relief。Relief-SVM和Relief-RF模型仅使用四种元素（Al、B、Rb和Na）就实现了100%的预测准确率。本研究的方法和知识可用于开发可靠的方法，以追踪多种高价值农产品的地理来源并控制欺诈性标签。
-
利用机器学习和品种标签SNPs进行肉类品种鉴定
查看原文
2021
Food Control
中科院一区JCR一区
Zhiting Xu, Shuqi Diao, Jinyan Teng, Zitao Chen, Xueyan Feng, Xiaotian Cai, Xiaolong Yuan, Hao Zhang, Jiaqi Li & Zhe Zhang
食品标签
畜肉 食品安全与风险评估计算机标签
支持向量机 随机森林 K-近邻 深度学习 分类/鉴别/等级评定 组学数据众多优良动植物品种为人类提供了优质且营养丰富的食物。高端食品因广受青睐且利润丰厚，往往伴随大量掺假产品流入市场，此举既损害消费者权益，也对守法生产商的利益造成侵害。因此，建立一套基于肉制品基因标记分型的品种鉴别体系至关重要，以此保障公众权益、增强消费者信任度。为提升品种鉴别的准确性，本研究以 13 个猪品种为研究对象，选取不同数量的品种标签单核苷酸多态性位点（breed tag SNPs） 及不同规模的训练集，对六种机器学习方法的性能展开评估。这六种机器学习方法分别为朴素贝叶斯算法、支持向量机（SVM）、k 近邻算法、随机森林（RF）、人工神经网络和决策树。
实验结果表明，相较于随机选取的单核苷酸多态性位点（SNPs），采用品种标签单核苷酸多态性位点可显著提高鉴别准确率。以支持向量机模型为例：使用 20 个品种标签单核苷酸多态性位点时，鉴别准确率为 99.30%（±0.14%）；使用 200 个随机单核苷酸多态性位点时，鉴别准确率为 99.13%（±0.11%）。在六种方法中，随机森林与支持向量机算法在所有测试场景下均表现出良好的稳健性。此外，在训练集内品种验证组的测试中发现，品种鉴别准确率随训练集规模的扩大呈先上升后趋于稳定的趋势。综上可推断，品种标签单核苷酸多态性位点、机器学习算法选型及训练集规模这三大因素，对保障品种鉴别的准确性具有至关重要的作用。
