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t-SNE的振动光谱技术在农产品样品可视化中的应用
查看原文2021
Food Control
中科院一区JCR一区Na Luo, Xinting Yang, Chuanheng Sun, Bin Xing, Jiawei Han, & Chunjiang Zhao
食品标签
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
迁移学习/领域自适应 支持向量机 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据振动光谱技术是一种高效的无损检测技术,已成功应用于农产品与食品样本的特性鉴别。然而,由于光谱数据集具有高维度特性,仅通过观察原始光谱数据难以区分不同特性的样本。本研究采用当前先进的降维方法 ——t 分布随机邻域嵌入算法(t-SNE),对五组振动光谱数据集进行可视化分析。同时,从二维空间区分能力与后续分类模型准确率两个维度,对比验证了 t-SNE 算法与其他参照方法(主成分分析法 PCA、等距映射算法 Isomap)的性能表现。在二维空间区分能力方面,t-SNE 算法展现出更理想的可视化鉴别效果,且聚类评价指标得分更优:其轮廓系数平均得分为 0.59(主成分分析法为 0.24,等距映射算法为 0.59),戴维斯 - 布尔丁指数平均得分为 1.51(主成分分析法为 2.58,等距映射算法为 1.52)。
在后续分类模型准确率方面,研究基于三种方法降维得到的二维特征空间,构建了 k 近邻算法(KNN)与支持向量机(SVM)两种监督分类模型。结果显示,t-SNE 算法提取的特征数据在分类准确率上显著优于其他两种方法:基于 t-SNE 特征的 KNN 模型平均准确率达 96%(主成分分析法为 85%,等距映射算法为 92%);基于 t-SNE 特征的 SVM 模型平均准确率同样为 96%(主成分分析法为 86%,等距映射算法为 92%)。综上,研究结果表明,t-SNE 算法在识别样本间细微光谱差异方面具有巨大潜力,是一种高效的降维与可视化方法,尤其适用于复杂且高度重叠的振动光谱数据分析场景。 -
基于环境质谱化学指纹特征中层次数据融合的牛至真伪鉴别
查看原文2021
Food Control
中科院一区JCR一区Andrea Massaro, Alessandro Negro, Marco Bragolusi, Brunella Miano, Alessandra Tata, Michele Suman, & Roberto Piro
食品标签
香精香料 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
支持向量机 分类/鉴别/等级评定出于经济利益驱动的香辛料掺假行为(EMA)屡见不鲜,已成为消费者、生产商及监管机构重点关注的问题。开发能够快速鉴别正品香辛料与低价掺假品的非靶向检测方法,具有迫切的现实需求。为此,本研究采用常压质谱技术(AMS)开展牛至干叶的真伪鉴别研究。研究人员对正品及掺假牛至样品分别进行两种前处理提取,并利用实时直接分析 - 高分辨质谱技术(DART-HRMS),在正、负两种离子模式下完成检测分析。随后对四组 DART-HRMS 数据进行中层数据融合,将整合后的唯一数据集纳入有监督统计分析,筛选出可区分正品与掺假牛至的特征信号。研究初步筛选出 14 个最具鉴别价值的真伪特征信号,并采用 支持向量机(SVM) 完成信号验证。最终构建的判别模型,其准确率、灵敏度及特异度均达到 90% 以上。研究人员另选取独立的正品与掺假牛至样品,对筛选得到的特征质荷比(m/z)进行验证,并评估模型的分类判别能力。据我们所知,本研究首次将常压质谱技术结合中层数据融合策略应用于牛至的真伪鉴别领域。
-
基于双检测 HS-GC-MS-IMS 和机器学习的柑橘汁挥发组谱分析:一种替代性真实性鉴别方法
查看原文2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Rebecca Brendel, Sebastian Schwolow, Sascha Rohn, & Philipp Weller
食品标签
果蔬汁/浓缩汁 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 代谢组学 其他植物化学物质计算机标签
支持向量机 K-近邻 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据本研究采用原型双检测顶空-气相色谱-质谱-离子迁移谱(HS-GC-MS-IMS)系统,在无需样品前处理的情况下分析 47 种柑橘汁的挥发性图谱,包括葡萄柚汁、血橙汁和普通甜橙汁。除缩短测量时间外,在共流出情况下,结合 IMS 和 MS 获得的特征漂移时间和质荷比可显著改善物质鉴定。为区分不同果汁类型的挥发性图谱,研究分别对两类数据集进行了广泛数据分析。主成分分析显示,葡萄柚汁和橙汁之间存在明显分离;IMS 数据可区分非浓缩还原葡萄柚汁和浓缩还原葡萄柚汁,而 MS 数据可区分血橙汁和普通橙汁,说明 IMS 和 MS 数据包含关于挥发性组成的不同信息。随后,研究将线性判别分析、支持向量机和 k 近邻算法作为监督分类方法应用于 PCA 数据。重复交叉验证后,LDA 在两个数据集上表现最佳,IMS 数据总体分类和预测能力分别为 96.9% 和 91.5%,MS 数据分别为 94.5% 和 87.9%。额外数据融合并不总能提高模型预测能力,但可改善特定果汁类别的预测。因此,应根据果汁类别选择最合适的数据集进行类别归属预测。该基于 HS-GC-MS-IMS 双检测和机器学习的挥发组方法,为未来柑橘汁真实性控制提供了简单且有前景的替代方案。
-
利用高光谱显微成像和人工智能分类算法快速鉴定食源性细菌
查看原文2021
Food Control
中科院一区JCR一区Rui Kang, Bosoon Park, Qin Ouyang, & Ni Ren
食品标签
微生物安全 光谱/色谱/质谱等分析方法计算机标签
K-近邻 主成分分析/判别分析 支持向量机 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱本研究成功构建了一种人工智能(AI)辅助的高光谱显微成像(HMI)方法,可同时鉴别五种常见食源性致病菌。高光谱显微成像技术在活体细胞表征方面具有显著优势,其细胞区域的每个像素均蕴含丰富的光谱信息。为评估不同区域的分类性能,本研究选取了三个感兴趣区域(ROI)开展实验,包括全细胞区域、边缘区域(即细胞膜外侧)及中心区域(即细胞内部区域)。研究提出并优化了一种基于长短期记忆网络(LSTM)的循环神经网络模型,用于直接处理从不同感兴趣区域采集的光谱数据。对比基于主成分分析(PCA)结合不同分类器的模型 —— 包括主成分分析 - 线性判别分析模型(PCA-LDA,识别准确率 66.0%)、主成分分析 - K 近邻模型(PCA-KNN,识别准确率 74.0%)及主成分分析 - 支持向量机模型(PCA-SVM,识别准确率 85.0%)—— 本研究构建的人工智能分类器在中心区域数据集上的识别准确率高达 92.9%,表现最优。此外,人工智能辅助高光谱显微成像技术可实现光谱信息的快速预测,是一种高效的食源性致病菌鉴别工具。
-
利用高光谱成像技术检测可可豆中的异物
查看原文2021
Food Control
中科院一区JCR一区Ali Saeidan, Mehdi Khojastehpour, Mahmood Reza Golzarian, Marziye Mooenfard & Haris Ahmad Khan
食品标签
巧克力及含可可制品 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
主成分分析/判别分析 支持向量机 K-近邻 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集可可豆批次中掺杂的异物会直接影响产品的经济效益、市场流通性及整体品质等级。因此,对这些异物的识别与剔除是保障最终产品高品质的关键环节。本研究旨在探究高光谱成像技术用于检测和判别可可加工业中四类典型异物(木材、塑料、石子及植物器官)的可行性。研究人员采集了 250 份可可豆及异物样本的光谱图像数据,并采用主成分分析(PCA)结合三种分类模型进行分析,分别为支持向量机(SVM)、线性判别分析(LDA)和 k 近邻算法(KNN)。研究将由二阶光谱图与前三个主成分提取的最优波段作为输入特征代入分类模型,并对比各模型的判别性能。结果显示,支持向量机模型在可可豆与异物的分类任务中准确率可达 89.10% 以上;以最优特征为输入时,该模型训练集准确率为 86.90%,测试集准确率为 81.28%。为验证模型的泛化能力,研究引入外部测试集开展验证,结果表明:以最优特征作为输入数据时,异物分类模型的稳健性显著提升。