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 130 条结果
-
食品标签
其他统计建模方法计算机标签
K-近邻 梯度提升决策树 逻辑回归/贝叶斯 特征工程与选择策略 定量预测/回归分析在产品开发项目中,由于多种原因,经常会出现缺失值的数据集。然而,我们手中有几种经典方法和基于机器学习的工具,可以用于缺失值的填补,而不是简单地删除有价值的数据。我们基于八个案例研究比较了这些填补算法,这些案例的缺失值比例从0到0.5不等。在这些案例研究中,使用了真实数据集(n = 4)和生成的数据集(n = 4)。机器学习模型采用梯度提升算法以一致的方式开发,并使用了25个不同的性能参数进行统计比较。模型是针对每个缺失值比例情景以及每种不同的填补方法创建的。通过因子ANOVA分析,我们验证了kNN算法作为实际数据集的数据插补方法的优越性,而生成数据集的最佳方法被证明是贝叶斯算法和套索算法。必须注意的是,在缺失值为1%的情况下,这些差异不那么显著。另一方面,不推荐使用随机森林算法(在mice包中)进行缺失值插补。
-
应用机器学习优化生物标志物组合并指导肉类真实性鉴定的决策
查看原文2025
Meat Science
中科院一区JCR一区Lucille Rey-Cadilhac & Sophie Prache
食品标签
畜肉 品质、结构与理化性质 食品安全与风险评估 理化与结构表征计算机标签
随机森林 智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 质构/流变/感官数据本文测试了两种机器学习方法(决策树和随机森林模型)在肉类真实性鉴定中的相关性。决策树能够根据各自区分能力选择和排序潜在生物标志物,优化它们的组合,并指导根据生产系统对样本进行分类的决策,这些方面迄今研究不足。随机森林模型也被开发,因为它们特别稳健。我们将这两种方法应用于一项实验中测量的不同组织(肾周脂肪、背脂和最长胸腰肌)上的19种化合物/变量,该实验使用屠宰前在苜蓿牧场育肥四种不同时长的Romane公羊(每组34-36只羔羊)。我们构建了几个决策树/随机森林模型,包括在屠宰场/销售点相对容易进行的测量,或需要实验室分析的测量。决策树/随机森林模型将牧场育肥羔羊胴体与舍饲羔羊区分开来,准确率高达95.1-95.7%,并显示肾周脂肪粪臭素和肾周脂肪类胡萝卜素色素含量(在19个变量中)在分类中发挥了突出作用。为销售点使用设计的决策树/随机森林模型基于背脂分光色度特性和最长胸腰肌颜色坐标,达到了84.3-85.4%的准确率。这是首次使用决策树进行肉类真实性鉴定的研究,分类决策的阈值可能需要在更大的数据库上进一步验证。然而,这些发现为决策树在真实性鉴定中的广泛应用提出了前景。
-
一种通过近红外透射光谱对活中华绒螯蟹(Eriocheir sinensis)蟹黄进行无损检测的方法
查看原文2025
LWT
中科院一区JCR一区Mengyao Lu, Chi Zhang, Shuwen Jiang, Jiao Yi, Xiaohe Gu, Cong Wang, Dinglian Zhu, & Tian'en Chen
食品标签
甲壳类 品质、结构与理化性质 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 红外/拉曼光谱数据 中等规模数据集本研究首次提出了一种快速、无损的检测活体中华绒螯蟹蟹黄的方法,采用近红外透射光谱(NIR-TS),其动机在于该成分具有较高的食用和经济价值。研究使用定制光学系统测量了62只活体螃蟹的近红外透射光谱,包括完整样本、解剖组织(蟹黄、蟹壳及去蟹黄组织)以及九个特定体部,同时测量了螃蟹中心厚度和蟹黄分布。基于局部光谱开发了分类模型,以区分含蟹黄和不含蟹黄的区域,实现对活体螃蟹蟹黄分布的预测。共收集了558个光谱数据集,并按6:2:2的比例划分为训练集、验证集和测试集。结果显示,无论是完整的螃蟹还是分离的壳体,都存在可测量的非零透射率,这表明短波近红外(SW-NIR,780 - 1100 nm)可能具有穿透多层组织的能力。区域光谱分析显示,蟹籽是主要的透射调节因素,其影响超过厚度效应,含蟹籽的区域的透射率始终低于无蟹籽区域。建模结果表明,在对光谱进行乘法散射校正(MSC)预处理后,结合LASSO选择的特征和30个光谱统计特征(SFs30)的反向传播神经网络(BPNN)模型表现最佳,准确率达到96.2%。此外,蟹籽分布预测与地面真实验证的符合率为94.4%。该模型的分类能力归因于与关键生化特征相关的特定近红外波长,形成了用于蟹黄检测的独特指纹。这一方法为螃蟹的质量分级提供了一种新颖的解决方案,同时满足水产供应链环保且成本效益高的要求。
-
基于优化算法增强不同畜禽肉样品高光谱图像中总嘌呤含量的预测
查看原文2025
Food Research International
中科院一区JCR一区Sijia Liu, Jiarui Cui, Yu Lv & Songlei Wang
食品标签
畜肉 禽肉 营养与生物功能 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
其他深度学习结构 特征工程与选择策略 超参优化/自动机器学习 定量预测/回归分析 高光谱/多光谱光谱本研究旨在通过快速检测和算法优化畜禽肉中的总嘌呤,以支持低嘌呤膳食的创建。首先,基于化学和高光谱数据构建了单一物种总嘌呤含量的预测模型。其次,通过豪斯多夫距离和皮尔逊相关系数分析了不同物种间光谱曲线的相关性,以探索混合畜禽肉中嘌呤的差异变化。最终,获得了混合畜禽肉总嘌呤的最优预测模型,分别为可见-近红外高光谱成像技术中的区间变量迭代空间收缩法-麻雀搜索算法-双向长短期记忆-多头注意力模型和近红外高光谱成像技术中的迭代保留信息变量-麻雀搜索算法-双向长短期记忆-多头注意力模型,其Rp2分别为0.7820和0.7766。总体而言,研究得出并验证了由于计算复杂度增加,混合样品模型性能低于单一物种理想模型性能的结论。本研究证明了高光谱成像技术在嘌呤含量快速检测方面的潜力,进一步推动了畜禽肉品质在线监测的产业化。
-
VNIR和SWIR高光谱数据的协同多级融合框架,用于大豆真菌污染检测
查看原文2025
Food Chemistry
中科院一区JCR一区Xijun Shao, Zhen Guo, Yifei Qin, Jicheng Zhao, Yemin Guo, Xia Sun & Fangling Du
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
卷积神经网络 其他深度学习结构 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱目前检测大豆真菌污染的方法往往具有破坏性、耗时且劳动密集型。本研究提出了一种高效方法,通过融合可见光和近红外(VNIR)以及短波红外(SWIR)高光谱成像(HSI)数据,实现霉斑大豆的无损分类。通过低层和中级数据融合策略,结合特征选择算法,即竞争性自适应加权抽样(CARS)、连续投影算法(SPA)和无信息变量消除(UVE),开发了一个多层次框架。结果表明,低层融合(LLF)策略配合一维卷积神经网络(1D-CNN)的准确率为97.52%,而中级(ILF)与Transformer的准确率为95.71%。该框架提升了准确性和稳健性,为无损农业质量监测提供了有前景的工具。