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 364 条结果
-
基于近红外高光谱成像与化学计量学的单个黑水虻幼虫蛋白质含量测定
查看原文2023
Food Control
中科院一区JCR一区J.P. Cruz-Tirado, José Manuel Amigo, & Douglas Fernandes Barbin
食品标签
昆虫蛋白 品质、结构与理化性质 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 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱为满足人口增长带来的蛋白质需求,替代蛋白产业迅速兴起,进而推动了食用昆虫市场的发展。黑水虻(Hermetia illucens L.)幼虫因富含脂肪、蛋白质及矿物质,在全球范围内被广泛研究,目前其主要用途为动物饲料。传统化学分析法用于测定黑水虻幼虫的营养成分时,存在耗时费力的弊端。本研究基于近红外高光谱成像技术(NIR-HSI),结合偏最小二乘回归(PLSR)与支持向量机回归(SVMR)算法,构建了可实现单头完整黑水虻幼虫总蛋白含量快速预测的模型。为提升回归模型性能,研究引入区间偏最小二乘法(iPLS)与遗传算法(GA)开展特征变量筛选。此外,通过主成分分析(PCA)对黑水虻幼虫的高光谱图像进行解析,结果直观呈现出幼虫体内不同化学成分的分布特征。PLSR 与 SVMR 模型的预测均方根误差(RMSEP)介于1.57%~1.66%,残差预测值(RPD)为2.0~2.5,表明模型对蛋白含量区间为 25.5%~43.5% 的样品具备良好的近似预测能力。基于绝对误差的对比结果显示,采用 iPLS 筛选的特征变量所构建的回归模型,性能优于 GA 筛选变量构建的模型。化学成像图谱清晰展现了单头幼虫及幼虫群体中蛋白质的非均一分布特征。本研究证实,近红外高光谱成像技术结合化学计量学方法,可作为一种快速筛查手段,实现单头黑水虻幼虫蛋白质含量的高效测定。
-
利用机器学习的近红外光谱分析对罗布斯塔生咖啡豆中赭曲霉污染进行快速准确分类
查看原文2023
Food Control
中科院一区JCR一区Nuttapong Ruttanadech, Kittisak Phetpan, Naruebodee Srisang, Siriwan Srisang, Thatchapol Chungcharoen, Warunee Limmun, Pannipa Youryon, & Pornprapa Kongtragoul
食品标签
豆类与坚果(及籽类) 微生物安全 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 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据本研究探究了基于近红外(NIR)光谱技术的罗布斯塔生咖啡豆赭曲霉污染分类检测方法。为实现这一研究目标,本研究采用六种不同的机器学习算法开展建模分析,包括线性判别分析(LDA)、支持向量机(SVM)、k 近邻算法(KNN)、决策树(Tree)、朴素贝叶斯(NB)及二次判别分析(QDA)。实验将咖啡豆划分为四类真菌污染组别,分别为第 1 天无真菌污染组(NCB-D1)、第 3 天无真菌污染组(NCB-D3)、第 1 天真菌污染组(CB-D1) 与第 3 天真菌污染组(CB-D3),并以此作为分类建模的目标类别。基于上述六种机器学习算法的建模结果显示,决策树算法性能最优,其训练集分类准确率达 97.5%;经测试集验证,该算法的分类准确率同样为 97.5%。基于这一准确率,决策树算法可实现污染咖啡豆与无污染咖啡豆的100% 精准区分。本研究结果表明,近红外光谱技术结合机器学习算法,在生咖啡豆真菌污染早期检测领域具有良好的应用潜力。
-
使用便携式近红外光谱仪与化学计量学预测黑水虻幼虫粉中的蛋白质与脂质含量
查看原文2023
Food Control
中科院一区JCR一区J.P. Cruz-Tirado, Matheus Silva dos Santos Vieira, José Manuel Amigo, Raúl Siche, & Douglas Fernandes Barbin
食品标签
昆虫蛋白 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据黑水虻幼虫可将废弃物转化为优质蛋白质与脂质,契合循环经济发展要求。鉴于黑水虻幼虫从孵化至成熟阶段的生长周期较短(14 天~2 个月),昆虫养殖产业亟需建立高效快速的检测分析方法。本研究评估了两台便携式近红外光谱仪(光谱仪 1:900~1700 nm;光谱仪 2:1350~2562 nm)的检测性能,并结合偏最小二乘回归法(PLSR)与支持向量机回归法(SVMR),构建黑水虻幼虫粉中蛋白质与脂质含量(%)的预测模型。研究首先采用主成分分析(PCA)对光谱数据集进行降维与特征探索。模型性能结果显示,在蛋白质含量预测方面,基于两台光谱仪数据建立的 PLSR 模型与 SVMR 模型表现相近,残差预测值(RPD)均大于 2.5,预测均方根误差(RMSEP)均为 1.9%;而在脂质含量预测中,SVMR 模型的性能优于 PLSR 模型,其预测均方根误差为 3.51%,残差预测值达 4.32。此外,工作波段范围更宽的光谱仪 2,整体检测性能优于光谱仪 1。研究进一步引入变量筛选步骤,通过区间偏最小二乘法(iPLS)与遗传算法(GA)优化 PLSR 模型,显著提升了模型预测精度。综上,便携式近红外光谱仪结合化学计量学方法,可为昆虫养殖产业提供高效快速的检测分析技术支撑。
-
便携式可见-近红外高光谱成像与Snapscan短波红外高光谱成像在肉类真实性评估中的比较
查看原文2023
Food Chemistry: X
中科院一区JCR一区Abolfazl Dashti, Judith Müller-Maatsch, Emma Roetgerink, Michiel Wijtten, Yannick Weesepeol, Hadi Parastar & Hassan Yazdanpanah
食品标签
畜肉 食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
支持向量机 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱评估了可见-近红外高光谱成像(Vis-NIR-HSI,400-1000 nm)和短波红外高光谱成像(SWIR-HSI,1116-1670 nm)结合不同分类和回归(线性和非线性)多元方法在肉类真实性鉴别中的性能。在Vis-NIR-HSI中,SVM和ANN-BPN(最佳分类模型)预测集的总准确率分别为96%和94%,超过了SWIR-HSI的88%和89%。在Vis-NIR-HSI中,猪肉掺入牛肉、羊肉和鸡肉的预测集最佳决定系数((mathbb{R}_0^2))分别为0.99、0.88和0.99,预测均方根误差(RMSEP)分别为9%、24%和4%(w/w)。在SWIR-HSI中,最佳(mathbb{R}_0^2)分别为0.86、0.77和0.89,RMSEP分别为16%、23%和15%(w/w)。结果证实,Vis-NIR-HSI结合多元数据分析比SWIR-HSI具有更好的性能。
-
基于近红外光谱和机器学习算法的无损大米味性质分类
查看原文2023
Food Chemistry
中科院一区JCR一区Edenio Olivares Díaz, Haruka Iino, Kento Koyama, Shuso Kawamura, Shigenobu Koseki & Suxing Lyu
食品标签
大米 品质、结构与理化性质 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 逻辑回归/贝叶斯 分类/鉴别/等级评定 红外/拉曼光谱数据大米的食味品质由蛋白质和直链淀粉含量决定,在日本,二者含量越低代表大米食味品质越好。然而,精准的无损筛选仍是行业面临的一大难题。本研究探究了机器学习模型结合近红外光谱对大米食味品质进行分级的应用效果。研究采用2008至2016年产自日本北海道的796份糙米样本对三种模型进行参数优化,并利用2017至2019年同产区的278份独立样本开展测试。逻辑回归与支持向量机模型的表现优于偏最小二乘判别分析模型,具备高达94%的准确率、90%的F1分数、0.94的平均精确率,分类误差仅为4%,可实现大米品质的精准无损分级。该研究成果不仅能够提升日本大米品质、完善产后加工技术、增加种植户产量,还有望优化全球其他农产品及食品的品质管控流程,助力优质产品的规模化生产。