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 48 条结果
-
光谱学和机器学习在谷物中霉菌毒素的无损实时检测方面的最新进展
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ghulam Mustafa, Hongmei Wang, Yuhong Liu, Liu Wang, Maratab Ali, Zhihao Yao, Haoran Quan & Kaiyu He
食品标签
小麦 玉米 大米 微生物安全 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据背景:真菌毒素对食物链中谷物的关键作用造成了破坏,对动物和人类产生有害影响。传统的检测方法需要繁琐的预处理,耗时且具有破坏性。为解决这一问题,人工智能驱动的(机器学习——ML和深度学习——DL)光谱技术已展现出作为突破性工具的潜力,通过优化可提供理想的解决方案、准确性和精密度。然而,人们对其实际应用的理解仍有限,需要进一步探索。
范围与方法:本研究综合了机器学习和光谱技术(多光谱和高光谱成像与非成像、拉曼光谱、可见-红外光谱、荧光光谱和核磁共振)在谷物(小麦、玉米和大米)真菌毒素检测中的应用。此外,本综述还涵盖了光谱技术的工作原理、光谱光的相互作用、数据预处理、特征优化、基于机器学习的预测建模以及用于决策的结果验证及其应用。
主要发现与结论:开发一个可行的、由机器学习驱动的基于光谱的真菌毒素检测系统需要全面的优化过程。这包括对机器学习模型本身进行微调,以及仔细选择和平衡多个组成部分:数据集大小、预处理方法、特征选择和提取策略、模型架构以及通过验证进行的超参数调整。此外,尽管机器学习算法发展迅速,但设计专门用于光谱真菌毒素检测的专用且稳健的模型仍然是一个活跃且不断发展的研究领域。 -
基于人工神经网络应用的麻花中丙烯酰胺含量预测
查看原文2024
Food Chemistry: X
中科院一区JCR一区Xinyu Wu, Haiyang Yan, Yue Cao & Yuan Yuan
食品标签
小麦 油炸食品 传统热加工 颜色与外观品质 加工污染物 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 质构/流变/感官数据丙烯酰胺是在食品热加工过程中,由还原糖与天冬酰胺反应形成的。像液相色谱-质谱联用(LC-MS)、高效液相色谱(HPLC)等检测方法既耗时又昂贵,这促使我们采用基于遗传算法的反向传播人工神经网络(BP-ANN)来建立麻花中丙烯酰胺的预测模型。我们测定了 frying时间和温度对丙烯酰胺含量的影响,以及在不同时间和温度下的色差与酸价。研究发现,丙烯酰胺含量与温度呈极显著相关(P < 0.01),与酸价和色差呈显著相关(P < 0.05)。因此,我们将温度、酸价和色差设为输入层,丙烯酰胺含量设为输出层,构建了BP-ANN网络预测模型。通过多种群遗传算法对BP-ANN网络预测模型中的权重和阈值进行优化,并设置测试数据以获得优化后的BP神经网络预测模型。结果表明,隐藏层神经元为5个、学习率为0.005的BP-ANN模型,采用Levenberg-Marquardt反向传播训练算法时预测性能最佳,其测试集和验证集的相关系数(R)分别为0.9640和0.8999,表明该模型拟合度良好,逼近能力较强。该BP-ANN模型有望准确预测麻花中的丙烯酰胺含量。
-
近红外高光谱成像作为降低小麦批次中脱氧雪腐镰刀菌烯醇的分选工具
查看原文2024
Food Research International
中科院一区JCR一区A. Vicens-Sans, X. Pascari, F. Molino, A.J. Ramos & S. Marin
食品标签
小麦 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集本研究旨在评估使用近红外高光谱成像和化学计量学对单个小麦籽粒根据其脱氧雪腐镰刀菌烯醇含量进行分类的可行性。总共收集了600粒来自自然污染超过欧盟最大限量样品的小麦籽粒,并采用超高效液相色谱法分析了每粒小麦籽粒的DON含量。采用线性判别分析法,以欧盟最大限值为截止水平建立DON分类模型,并在平衡和不平衡测试集上进行了测试。结果显示,模型平衡准确率为0.71,一旦不安全籽粒被剔除,该模型可以从受污染批次中获得安全批次,但通常会有超过30%的批次被剔除。这项工作证实,NIR-HSI可以作为一种可行的方法,用于监测单个籽粒中的DON,并在进入食物链之前去除高污染籽粒。
-
利用机器学习对小麦麸质酶解及发酵产物中的鲜味肽进行筛选与表征
查看原文2024
LWT
中科院一区JCR一区Haowen Chen, Chunxia Zhou, Guili Jiang, Jiawen Yi, Jingjing Guan, Meizhen Xu, Huiyan Zhao, & Donghui Luo
食品标签
小麦 其他酱腌/发酵食品 特征风味 光谱/色谱/质谱等分析方法 发酵工艺与动力学 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 质构/流变/感官数据为了探索经过谷氨酸棒杆菌(Corynebacterium glutamicum,C. glutamicum)发酵后具有不同水解度(DH)的麦麸蛋白水解物(WGHs)中的鲜味肽,建立了一种基于机器学习的鲜味肽高通量筛选方法。结果显示,发酵 4 天后,高 DH 的发酵 WGHs 呈现出更优的口感,并产生更多的小分子肽。发酵增加了 DH10、DH15 和 DH20 的 WGHs 中特征肽的数量。其中,DH15 的发酵 WGHs 是潜在鲜味肽的重要来源。筛选出六种潜在鲜味肽(QQLPQFEE、LSFE、EELR、YTCE、YTTD、EEDQ),并证明它们能通过氢键作用、电荷作用和疏水作用与 T1R1/T1R3 受体形成稳定复合物。肽与受体的亲和力在 -6.3 至 -8.1 千卡/摩尔范围内。GLU735、GLY755、SER734、SER757 和 THR227 是关键结合位点。感官评价和电子舌显示,六种肽表现出鲜味特征,并具有增强鲜味和咸味的能力。EEDQ 表现出最强的鲜味强度,而 QQLPQFEE 的鲜味阈值最低。本研究为有效筛选新的微生物来源鲜味肽提供了可靠的方法。
-
基于比色传感器阵列结合卷积神经网络近红外光谱技术检测小麦中的玉米赤霉烯酮
查看原文2024
Food Chemistry: X
中科院一区JCR一区Yongqin Zhao, Jihong Deng, Quansheng Chen & Hui Jiang
食品标签
小麦 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 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 中等规模数据集小麦是一种至关重要的全球性谷类作物,但其易受霉菌毒素污染的特性可能使其无法使用。本研究探索了将两种新型无损检测方法与卷积神经网络(CNN)相结合,用于识别小麦中的玉米赤霉烯酮(ZEN)污染。首先,使用由六种选定的卟啉基材料组成的比色传感器阵列捕捉小麦样品的嗅觉特征。随后,对反应后的比色传感器阵列进行近红外光谱特征表征。然后,基于这些数据提出了CNN定量分析模型,同时建立了传统机器学习模型,即偏最小二乘回归(PLSR)和支持向量机回归(SVR),以作比较。结果表明,CNN模型具有更优异的预测性能,其预测均方根误差(RMSEP)为40.92μg·kg⁻¹,预测决定系数(R²)为0.91。这些结果证实了将比色传感器阵列与近红外光谱相结合在评估小麦及潜在其他谷物安全性方面的潜力。此外,CNN能够自主学习并从光谱数据中提取特征,为进一步的光谱分析提供可能,使其成为一种具有前瞻性的光谱分析工具。