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
-
基于人工智能的黄油变体鉴别:作为检测食品掺假的模型研究
查看原文2020
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Gokce Iymen, Gizem Tanriver, Yusuf Ziya Hayirlioglu & Onur Ergen
食品标签
食品安全与风险评估计算机标签
深度学习 分类/鉴别/等级评定全球范围内,出于对健康的日益关注以及消费者对健康食品选择的认识提高,对高质量食品的需求正以前所未有的速度增长。然而,测定食品质量的工具仍局限于设备精良的实验室,不易为消费者所用。不幸的是,当前的检测机制有限,无法持续追踪所有产品,这暴露了系统在面对掺假、伪造和错误标签产品时的弱点。消费者仅依赖制造商标签,没有便捷易用的工具来确认产品质量,特别是对于有机产品。人工智能的发展为开发此类工具提供了机会。在本研究中,我们证明,穿越食品的简单声音振动可以与深度学习模型结合使用,以验证无添加剂的优质产品以及有机食品。我们的神经网络模型,即并行CNN-RNN和CRNN,在定义分类任务上实现了高精度。据我们所知,这是首个报道利用简单声音振动基于人工智能工具识别食品掺假的研究。
-
基于机器学习的模式识别识别油脂掺假和食用油混合物
查看原文2020
Nature Communications
中科院一区JCR一区Kevin Lim, Kun Pan, Zhe Yu & Rong Hui Xiao
食品标签
油脂及油脂制品 植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法 统计建模与仿真 数值仿真计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱先前的研究表明,每种食用油都有其独特的脂肪酸组成特征;然而,目前尚未有方法能够仅依据这一特征来简单鉴别出油的种类。此外,特定油的脂肪酸组成可以通过两种或更多种油的混合物来模拟。这导致了食用油的欺诈性掺假以及对食用油的有意错误标注,这威胁到了食品安全并危及公众健康。在此,我们提出了一种机器学习方法,用于揭示针对十种不同植物油类型及其内部变异性的脂肪酸模式的区分特征。我们还描述了一种有监督的端到端学习方法(深度学习),该方法可以推广到任何给定混合物的油成分上。在大量模拟油混合物上进行训练后,独立测试数据集验证表明,该模型的第 50 百分位数绝对误差在 1.4% - 1.8% 之间,而 90 百分位数误差为 4 - 5.4% ,对于这十种油类型的任何三元混合物均适用。深度学习模型还可以通过在线训练进一步优化,以捕捉目前尚未具备的有用知识。我们的方法能够确保产品质量的可控性,从而确定购买油品的合理价格,并进而为注重健康的消费者提供准确标签标识的未来保障。
-
手持式近红外光谱与机器学习技术集成用于鸡肉真实性的“测量与监测”研究
查看原文2020
Food Control
中科院一区JCR一区Hadi Parastar, Geert van Kollenburg, Yannick Weesepoel, André van den Doel & Lutgarde Buydens b, Jeroen Jansen
食品标签
禽肉 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 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据本研究将便携式手持式近红外(NIR)光谱技术与前沿分类算法相结合,建立了一套高效的鸡肉真伪鉴别方法。研究结果表明,利用近红外光谱不仅可以区分鲜肉与解冻肉,还能以较高准确率根据肉鸡养殖条件对鸡胸肉进行正确分类。在所有试验中, 随机子空间判别集成算法(RSDE) 的性能均显著优于偏最小二乘判别分析(PLS-DA)、人工神经网络(ANN)、支持向量机(SVM)等常用分类方法,分类准确率超过 95%。本研究证实,手持式近红外光谱结合机器学习算法,可作为一种实用、快速、无损的检测工具用于鸡肉真伪鉴别。通过对比并组合不同的近红外光谱采集方案(即透过包装检测与直接接触肉样检测),本研究展示了该技术可供普通消费者与食品监管部门使用,用于核验包装鸡胸肉的真伪与来源的应用潜力。
-
通过生物信息学预测的源自马铃薯蛋白的乳化肽:稳定鱼油水包油型乳状液
查看原文2020
Food Hydrocolloids
中科院一区JCR一区Pedro J. García-Moreno, Charlotte Jacobsen, Paolo Marcatili, Simon Gregersen, Michael T. Overgaard, Mogens L. Andersen, Ann-Dorit M. Sørensen & Egon B. Hansen
食品标签
马铃薯 动物油脂 蛋白质配料 其他品质相关性质 微观结构与成像 氧化、褐变等化学变化 副产物与废弃物高值利用 常规理化指标测定 其他理化与结构表征 蛋白质与氨基酸 脂质与脂肪酸计算机标签
深度学习 分类/鉴别/等级评定 组学数据 文本/知识库/法规数据 合成/仿真数据为主食品行业对具有乳化性能的可持续植物基成分的需求日益增长。本研究提出了一种新颖的方法,用于识别和应用源自马铃薯蛋白(马铃薯淀粉生产的副产品)的乳化肽。利用先进的生物信息学工具,基于其疏水性、亲水性和表面活性等物理化学性质,通过计算预测了潜在的乳化肽序列。随后,合成了预测的肽,并通过实验验证了其稳定鱼油水包油型乳状液的能力。对乳状液的稳定性、液滴大小和氧化稳定性进行了深入研究。结果表明,通过生物信息学预测的肽展现出显著的乳化能力,能有效防止乳状液的聚结和氧化降解。这种集成的计算机模拟预测结合实验验证的方法,为从未被充分利用的蛋白质来源中发现新的功能性食品配料提供了一个强大而高效的策略。