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 339 条结果
-
利用人工智能和台式实验数据预测抗氧化剂协同作用
查看原文2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Lucas Ayres, Tomás Benavidez, Armelle Varillas, Jeb Linton, Daniel C. Whitehead, & Carlos D. Garcia
食品标签
过敏原与毒性问题 氧化、褐变等化学变化 脂质与脂肪酸计算机标签
深度学习 定量预测/回归分析 质构/流变/感官数据脂质氧化是含不饱和脂肪酸产品面临的重要问题,会生成带有不同官能团的低分子量物质并产生异味。为控制这一过程,产品中常加入抗氧化剂,且通常以两种或多种化合物组合使用,以在降低用量的同时提高配方整体抗氧化能力。尽管该策略有助于减少潜在感官和毒性影响,但预测抗氧化剂混合物的行为一直很困难,常出现加和、拮抗或协同效应。既有研究多依赖经验方法,效率较低且难以解释抗氧化反应的复杂性。为弥补这一空白,本研究使用基于深度学习架构的人工智能模型,预测抗氧化剂组合的相互作用类型(协同、加和和拮抗)。每种混合物对应一个组合指数(CI)并作为模型输入,在 140 个测试数据集上进行验证。尽管初步结果具有一定鼓舞性,该算法对内部开展的酚类二元抗氧化剂和猪油样品氧化实验预测并不准确。随后,研究用不同数量的实验数据(TBARS 测定的抗氧化能力数据)增强 AI 算法,证明化学相关实验数据对提高模型性能和获得具有统计意义的预测十分重要。该方法可作为基准分析流程的辅助工具,为更理性预测抗氧化剂混合物行为提供新策略。
-
基于机器学习和深度学习预测酶小分子底物的通用模型
查看原文2023
Nature Communications
中科院一区JCR一区Alexander Kroll, Sahasra Ranjan, Martin K. M. Engqvist & Martin J. Lercher
食品标签
食品添加剂与配料 蛋白质配料 过程控制与数字化 统计建模与仿真 标准/法规/数据库分析 其他方法 其他特殊成分计算机标签
深度学习 分类/鉴别/等级评定 文本/知识库/法规数据酶通过结合特定底物催化生化反应,然而对于许多已测序的酶,其底物范围仍然未知。机器学习预测可以提供一种替代实验表征的有效方法,但往往因缺乏有关酶非底物的信息而受阻,因为可用的训练数据主要由阳性样本组成。在这里,我们提出了 ESP,这是一种通用的机器学习模型,用于预测酶-底物对,在独立和多样化的测试数据上准确率超过 91%。ESP 可以成功应用于广泛不同的酶和训练数据中包含的各种代谢物,优于为单个、研究充分的酶家族设计的模型。ESP 通过改进的 Transformer 模型表示酶,并在通过随机采样被指定为非底物的小分子增强的数据上进行训练。通过促进对潜在底物的简单计算机测试,ESP 网络服务器可以支持基础科学和应用科学,包括用于代谢工程和食品配料合成的酶的发现。
-
基于神经网络的POLIVAR模型开发用于预测和识别单一品种橄榄油
查看原文2023
Food Control
中科院一区JCR一区Jorge Cervera-Gascó, Adrián Rabadán, Eulogio López-Mata, Manuel Álvarez-Ortí, & José E. Pardo
食品标签
植物油 食品安全与风险评估 脂质与脂肪酸计算机标签
深度学习 分类/鉴别/等级评定消费者对特性差异化的单品种橄榄油需求日益增长,这就要求建立系统化的检测流程与工具,以甄别橄榄油市场中的掺假或品质劣变行为。此外,橄榄品种也是一项关键认证依据,可证明橄榄油符合欧盟认证的地理标志保护产品标准。本研究旨在通过人工神经网络(ANN) 算法,构建一套单品种橄榄油预测鉴别模型。该模型仅需输入少量化学参数,即可实现高精度的品质管控。模型构建的数据源来自西班牙卡斯蒂利亚 - 拉曼恰产区内,124 个获得原产地保护认证及品质标识认证的橄榄种植地块。实验结果受不同化学参数含量的影响呈现梯度变化:仅分析一种参数(十七碳烯酸) 时,模型的总体判别准确率(OAA)为 62.35%;纳入三种参数(硬脂酸、油酸及菜油甾醇浓度) 后,总体判别准确率提升至 91.50%;当参数数量增至五种(棕榈酸、硬脂酸、亚油酸、花生酸及菜油甾醇浓度) 时,总体判别准确率高达 98.79%。本研究开发的POLIVAR(橄榄油品种预测)模型可实现对主流单品种橄榄油的精准鉴别,为保障产品品质与维护消费者权益提供了有效技术工具。
-
威尼托产区受保护原产地葡萄酒的溯源:多元素、同位素及化学计量学分析
查看原文2023
Food Chemistry
中科院一区JCR一区Mattia Rapa, Marco Ferrante, Ilia Rodushkin, Cora Paulukat & Marcello Enrique Conti
食品标签
酒精饮料计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 逻辑回归/贝叶斯 深度学习 分类/鉴别/等级评定原产地命名保护葡萄酒的溯源与真伪鉴别,是保障其生产与流通体系的重要课题。本文选取七款威尼托原产地命名保护葡萄酒开展研究,分别为阿玛罗尼、巴多利诺、库斯托扎、灰皮诺、雷乔托、苏瓦韦及瓦尔波利切拉。为此,研究采集威尼托大区219份葡萄酒样品,利用高分辨电感耦合等离子体质谱与多接收电感耦合等离子体质谱,测定63种元素及6种同位素比值并进行特征分析。化学计量学分析表明,砷、钙、铯、硼11同位素比值与锶87/锶88同位素比值是区分各类原产地命名保护葡萄酒最具判别价值的特征指标。研究验证了七种分类模型,包括线性判别分析、二次判别分析、k近邻算法、朴素贝叶斯、随机森林、人工神经网络及支持向量机,上述模型可对阿玛罗尼、巴多利诺、灰皮诺、雷乔托原产地命名保护葡萄酒实现精准分类。本文首次融合多元素、同位素检测与化学计量学分析方法,成功构建了适用于七款威尼托原产地命名保护葡萄酒的精细化溯源技术体系。
-
食品风味分析4.0:机器学习的跨领域应用
查看原文2023
Trends in Food Science & Technology
中科院一区JCR一区Xiangquan Zeng, Rui Cao, Yu Xi, Xuejie Li, Meihong Yu, Jingling Zhao, Jieyi Cheng & Jian Li
食品标签
品质、结构与理化性质 特征风味 感官科学与消费者研究计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析背景:食品风味分析4.0源于工业4.0,它结合了机器学习(ML)和食品风味分析方法。目前,食品风味分析主要依赖于感官评价、仪器分析或两者的结合。近年来,机器学习已有效应用于食品风味的分析和预测。然而,很少有研究团队尝试总结机器学习与食品风味分析相结合的研究进展。
范围与方法:本研究重点综述了食品风味分析与监督学习算法相结合的最新进展,这些算法包括随机森林(RF)、支持向量机(SVM)、k-最近邻(KNN)、神经网络(NN)、深度学习(DL)和混合算法。
主要发现与结论:机器学习在肉类、水果、蔬菜、加工食品和发酵食品中挥发性芳香化合物的测定中保持了强大的预测性能。反向传播神经网络(BPNN)和KNN模型在分类方面都表现良好,准确率高于90%。相比之下,RF和SVM模型在分类和回归方面都提供了令人满意的性能。值得注意的是,BPNN模型在对极其复杂和相似的样品进行分析时获得了最高的分类准确率,而SVM模型在测量一系列肉类样品时被认为是理想的回归算法。总之,食品风味分析与机器学习相结合,在食品添加剂、质量和真实性的快速检测方面具有巨大潜力。