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
-
机器学习赋能的无损纸基显色阵列用于检测食品上的多种活体病原体
查看原文2021
Nature Food
中科院一区JCR一区Manyun Yang, Xiaobo Liu, Yaguang Luo, Arne J. Pearlstein, Shilong Wang, Hayden Dillow, Kevin Reed, Zhen Jia, Arnav Sharma, Bin Zhou, Dan Pearlstein, Hengyong Yu & Boce Zhang
食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法 统计建模与仿真计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据快速且同时检测食品中的多种可存活病原体对于公共健康至关重要。在此,我们报告了一种利用纸基色谱阵列(PCA)并通过机器学习实现的病原体检测系统。该PCA由浸有 23 种显色染料和染料组合的纸基底构成,当暴露于目标病原体释放的挥发性有机化合物时,会发生颜色变化。这些颜色变化会被数字化,并用于训练一个多层神经网络(NN),使其具备高精度(91%-95%)的病原体种类特异性检测和定量能力。经过训练的PCA-NN系统能够区分活的大肠杆菌、大肠杆菌 O157:H7 以及其他活的病原体,并且能够同时在新鲜切割的生菜中同时检测出大肠杆菌 O157:H7 和单核细胞增生李斯特菌,这代表了一个现实且复杂的环境。这种方法有可能在无需富集、培养、孵育或其他样本制备步骤的情况下,推进食品中非破坏性病原体检测和识别。
-
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。 -
利用统计机器学习方法从常规可得的牛奶谱预测牛奶质量特征
查看原文2021
Journal of Dairy Science
中科院一区JCR一区Frizzarin, M., Gormley, I. C., Berry, D. P., Murphy, T. B., Casa, A., Lynch, A., & McParland, S
食品标签
乳及乳制品 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 支持向量机 随机森林 主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据许多适用于处理高度相关特征的统计机器学习方法(例如那些适用于光谱数据的方法),有可能在预测性能上优于常用的偏最小二乘法。我们获得了来自 622 头已知详细蛋白质组成和技术性状数据的个体奶牛的牛奶样本,并且这些样本还附有中红外光谱。以此来评估不同回归和分类算法的预测能力。基于回归的方法包括偏最小二乘回归(PLSR)、岭回归(RR)、最小绝对收缩和选择算子(LASSO)、弹性网、主成分回归、投影追踪回归、尖峰和薄片回归、随机森林、决策树增强算法、神经网络(NN)以及事后模型平均(MA)方法。此外,我们还使用了几种分类方法(即偏最小二乘判别分析(PLSDA)、随机森林、决策树增强算法和支持向量机(SVM)),并在将感兴趣的性状分类后进行使用。在回归分析中,MA 是 14 个研究特征中 6 个特征的最佳预测方法[60 分钟时的凝乳硬度、αS1-酪蛋白(CN)、αS2-CN、κ-CN、α-乳白蛋白和β-乳球蛋白 B],而 NN 和 RR 分别是 3 个特征的最佳算法(凝乳凝固时间、凝乳硬化时间、热稳定性以及 30 分钟时的凝乳硬度、β-CN 和 β-乳白蛋白 A),PLSR 对 pH 最为适用,LASSO 对 CN 胶束大小最为适用。当将特征分为两类时,SVM 对大多数研究特征的准确性最高。尽管基于 PLSR 的成熟方法表现良好,但将统计机器学习方法应用于回归分析降低了与 PLSR 相比的均方根误差,范围在 0.18%(κ-CN)到 3.67%(热稳定性)之间。使用现代统计机器学习方法从中红外光谱中预测特征可能提高某些特征的预测准确性。
-
基于光谱与深度学习的食品与农产品质量评估:综述
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区Xiaolei Zhang, Jie Yang, Tao Lin & Yibin Ying
食品标签
品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
深度学习 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 红外/拉曼光谱数据背景:快速、非破坏性的红外光谱技术已应用于食品与农产品的内外品质评估。目前已开发出多种线性和非线性化学计量学方法用于光谱分析。传统化学计量学方法的泛化能力受到不同检测条件下变化的噪声和生物变异性的限制。近年来,深度学习方法已被开发用于光谱降噪、特征提取和校准回归建模。
范围与方法:本综述讨论了传统化学计量学方法当前面临的挑战以及用于光谱分析的新兴深度学习方法。综述涵盖了当前最先进的技术,包括无监督特征提取与降噪模型,以及有监督多元回归方法。同时也探讨了探索深度学习“黑箱”模型学习机制的研究。本综述重点关注深度学习方法在食品与农产品质量评估中的应用、当前研究的经验教训以及未来展望。
主要发现与结论:深度学习方法与光谱传感技术相结合,在食品与农产品质量评估方面显示出巨大潜力。当前基于深度学习的定性分析进展包括品种鉴别、产地溯源、掺假识别和碰伤检测,而定量分析则包括水果、谷物和作物中多种成分含量的预测。深度学习方法的主要优势在于通过端到端分析减少对人类领域知识的依赖,并提高了预测精度和泛化能力。 -
开发稳定生长/非生长边界模型需要多少次条件重复?
查看原文2021
Food Control
中科院一区JCR一区Natsuki Tsuruma, Shinya Doto, Wataru Ishida, Kento Koyama, & Shigenobu Koseki
食品标签
其他酱腌/发酵食品 食品安全与风险评估计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 小规模数据集本研究以 pH 值、加热温度和水分活度(aw)为自变量,分别采用逻辑回归算法与神经网络算法,构建了简单芽孢杆菌(Bacillus simplex)的生长 / 非生长边界模型。该模型的建立基于胰蛋白胨大豆肉汤(TSB)培养基中的菌株生长响应数据,培养基中初始菌浓度约为 10 CFU/mL。实验共设置 192 组条件:pH 值设 4 个水平(7.0、6.6、6.2、5.8),加热温度设 4 个水平(70、80、85、90 ℃,均保温 10 min),贮藏时间设 4 个水平(1、2、3、4 周),水分活度设 3 个水平(0.97、0.98、0.99)。为明确菌株生长概率,每组实验均重复 60 次,最终获得 11520 组数据。研究人员采用胰蛋白胨大豆肉汤培养基和富含营养的加工食品基质代表 —— 卡邦尼酱的独立实验数据集,对所构建的两种模型进行验证。结果显示,两种模型均能准确表征简单芽孢杆菌的生长 / 非生长边界。在实验条件下,pH 值、加热温度、水分活度和贮藏时间这四个参数均对生长 / 非生长边界产生显著影响,其中加热温度与贮藏时间的影响程度高于 pH 值和水分活度。在胰蛋白胨大豆肉汤培养基的独立验证实验中,逻辑回归模型与神经网络模型的正确分类率(FC)分别为 92.2% 和 89.8%。此前研究中普遍采用的三次重复实验方案,用于构建生长 / 非生长边界模型时可能导致生长状态误判;基于此类不准确数据集所建立的模型,其预测结果同样存在偏差,例如反映模型准确度的受试者工作特征曲线下面积(AUC)指标数值会偏低。通过分析实验重复次数与 AUC 值的相关性,本研究确定:构建具有统计学明确意义的生长 / 非生长边界模型时,逻辑回归模型所需的最小实验重复次数应≥10 次,神经网络模型则应≥12 次。研究结果明确阐明了构建此类概率性生长 / 非生长边界模型所需的最低实验重复要求。