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 291 条结果
-
通过表面增强拉曼光谱(SERS)结合深度学习模型,对玉米油中微量的玉米烯酮进行无标记检测
查看原文2023
Food Chemistry
中科院一区JCR一区Jiaji Zhu, Xin Jiang, Yawen Rong, Wenya Wei, Shengde Wu, Tianhui Xiao & Qiansheng Chen
食品标签
植物油 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 随机森林 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据采用表面增强拉曼光谱(SERS)结合深度学习模型开展玉米油中玉米赤霉烯酮(ZEN)的检测研究。首先,合成金纳米棒作为表面增强拉曼光谱基底;其次,对采集的表面增强拉曼光谱数据进行增广处理,以提升回归模型的泛化能力;最后,构建偏最小二乘回归(PLSR)、随机森林回归(RFR)、高斯过程回归(GPR)、一维卷积神经网络(1D CNN)和二维卷积神经网络(2D CNN)共五种回归模型。实验结果表明,一维卷积神经网络与二维卷积神经网络模型的预测性能最优,其中预测集决定系数分别为0.9863、0.9872,预测集均方根误差分别为0.2267、0.2341,相对分析误差分别为6.548、6.827,检出限分别为6.81×10⁻⁴ μg/mL、7.24×10⁻⁴ μg/mL。由此可见,该研究建立的方法可为玉米油中玉米赤霉烯酮的检测提供一种超灵敏且高效的技术方案。
-
通过改进的肽组学技术探索新型血管紧张素转换酶抑制肽:深度学习策略能否成为肽结构与功能预测的核心突破?
查看原文2023
Food Research International
中科院一区JCR一区Wei Jia, Jian Peng, Yan Zhang, Jiying Zhu, Xin Qiang, Rong Zhang & Lin Shi
食品标签
乳及乳制品 营养与生物功能 血糖、血脂与代谢相关功能 组学与高通量技术 蛋白质与氨基酸计算机标签
深度学习 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 组学数据乳源血管紧张素转换酶抑制肽(ANGICon-EIPs)被认为是一种对高血压患者相对安全的辅助饮食治疗策略,短链肽因其能被肠道直接吸收而可能具有更相关的降压益处。我们前期的探索已证实内源性山羊乳短链肽也是ANGICon-EIPs的重要来源。然而,由于当前内源性肽提取和富集技术的限制,对内源性ANGICon-EIPs的探索仍然有限。本综述概述了改进的预处理策略、数据获取方法以及肽结构和功能预测工具,旨在为发现新型ANGICon-EIPs提供创新思路。目前,基于深度学习的肽结构和功能预测算法已取得显著进展。卷积神经网络(CNN)和基于肽序列的生物活性肽多功能性(MLBP)多标签深度学习方法可以预测多种肽功能,其绝对真值和准确度分别为0.699和0.708。利用肽序列输入、扭转角和残基间距离来训练神经网络,APPTEST预测的肽(5-40个氨基酸单位)结构的平均骨架均方根偏差值低至1.96 Å。总体而言,随着更多神经网络架构的探索,深度学习可以被视为一种关键的研究工具,可降低发现新型内源性ANGICon-EIPs的成本并提高其效率。
-
消费者导向的酸奶感官优化:一种人工智能方法
查看原文2022
Food Control
中科院一区JCR一区Kexin Bi, Shuyuan Zhang, Chen Zhang, & Tong Qiu
食品标签
发酵乳/酸奶 感官科学与消费者研究计算机标签
支持向量机 卷积神经网络 设计/生成与推荐随着 “渠道反转” 现象的出现,食品产品的设计与开发逐渐向消费者导向型模式转变。契合消费者对感官属性的偏好,是食品企业在市场竞争中赢得优势的关键因素。本研究提出一套感官优化流程,旨在筛选出最优感官属性组合,并为产品感官品质的进一步改良提供建议。研究采用遗传算法 - 粒子群算法 - 禁忌搜索混合智能算法(GA-PSO-TS),在高维变量空间内对深度卷积自编码器 - 支持向量机(DCAE-SVM)灰箱模型进行优化。通过在既定灰箱模型与数据集上对比遗传算法(GA)和遗传算法 - 粒子群算法(GA-PSO)的性能,验证了所提出的 GA-PSO-TS 算法的有效性。此外,该完整技术框架还可用于阐释品牌、贮藏条件等因素对食品感官属性及消费者偏好的影响机制。
-
融合电子鼻与高光谱成像通过输入修改卷积神经网络检测羊肉新鲜度
查看原文2022
Food Chemistry
中科院一区JCR一区Cunchuan Liu, Zhaojie Chu, Shizhuang Weng, Gongqin Zhu, Kaixuan Han, Zixi Zhang, Linsheng Huang, Zede Zhu & Shouguo Zheng
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
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱本研究将电子鼻(E-nose)与高光谱成像(HSI)技术联用,用于评定羊肉的总挥发性盐基氮(TVB-N)含量 —— 该指标是评价肉品新鲜度的综合指标。研究采集了 10 个电子鼻传感器的响应值,并通过直方图统计筛选出 7 个有效响应传感器;从高光谱图像中提取反射光谱与图像特征,再通过随机蛙跳算法与皮尔逊相关分析优选有效变量。基于上述多源特征,构建输入改进型卷积神经网络(IMCNN)模型以预测 TVB-N 含量。将 7 个电子鼻传感器信号、有效波长(EWs)光谱及 5 项关键图像特征联合输入 IMCNN,取得最优预测效果,其预测集的均方根误差、相关系数、性能偏差比分别为:3.039 mg/100 g、0.920、3.59。综上,该方法可实现羊肉新鲜度的精准检测,为其他肉类品质的相关研究提供技术支撑。
-
利用卷积神经网络捕捉特级初榨橄榄油液滴膨胀以量化掺假
查看原文2022
Food Chemistry
中科院一区JCR一区Sandra Pradana-Lopez, Ana M. Perez-Calabuig, John C. Cancilla, Yolanda Garcia-Rodriguez & José S. Torrecilla
食品标签
植物油 食品安全与风险评估 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据本研究采集了 5 类特级初榨橄榄油(EVOO) 共计 302000 余张图像,用于训练和验证一套基于卷积神经网络(CNN)的分类识别系统。此外,本研究还训练了可比的深度学习模型,用于检测并定量分析上述特级初榨橄榄油中掺入其他植物油的掺伪情况。本研究共测试三组 CNN 模型,分别用于:(i) 全部特级初榨橄榄油的品类分类;(ii) 对每一类橄榄油单独进行掺伪样品检测与掺伪量定量;(iii) 将所有品类橄榄油合并,构建一体化定量 CNN 的通用模型。最后一种模型采用从原始数据库中预先独立分出的 30195 张图像完成验证,结果显示,该算法可对 5 类橄榄油及其对应掺伪浓度实现有效检测与精准分类,总识别准确率>96%。综上,基于 CNN 的橄榄油液滴图像分析已被证实是一种可靠的橄榄油品质质控手段,可供生产商、分销商乃至终端消费者使用,助力橄榄油掺伪行为的甄别定位。