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 712 条结果
-
利用VNIR-SWIR高光谱成像和KRR模型,利用精细特征波长方法检测丹丛茶中的生物活性化合物含量
查看原文2024
Food Chemistry
中科院一区JCR一区Teng Long, Xinyu Tang, Changjiang Liang, Binfang Wu, Binshan Huang, Yubin Lan, Haitao Xu, Shaoqun Liu, & Yongbing Long
食品标签
茶/茶饮料 其他品质相关性质 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
机器学习/统计学习 超参优化/自动机器学习 定量预测/回归分析 高光谱/多光谱光谱高光谱成像(HSI)为非破坏性地检测茶叶中生物活性化合物的含量提供了机会,而要实现高检测精度,则需要从复杂的高光谱数据中提取有效特征。在本文中,我们提出了一种名为区间波段选择 - 竞争性自适应重加权采样 - 融合(IBS-CARS-Fusing)的特征波长细化方法,用于从可见 - 近红外(VNIR)和短波 - 近红外(SWIR)高光谱图像中提取特征波长。结合所提出的 IBS-CARS-Fusing 方法,建立了一个核岭回归(KRR)模型,用于预测包括叶绿素 a、叶绿素 b、类胡萝卜素、茶多酚和氨基酸在内的生物活性化合物在丹青茶中的含量。结果表明,IBS-CARS-Fusing 方法可使 KRR 模型对这些生物活性化合物的 Rp2 值分别提高 4.77%、4.60%、6.74%、15.52% 和 13.10%,并且模型的 Rp2 值达到了 0.9500、0.9481、0.8946、0.8882 和 0.8622 的较高值。此外,还使用叶化合物面积质量热图来可视化化合物的空间分布。
-
利用机器学习辅助的傅里叶变换红外光谱预测食品冻干曲线
查看原文2024
LWT
中科院一区JCR一区Xihui Liu, Baolong Feng, Hongyao Liu, Yutang Wang, Bowen Luo, Yan Yang, Qi Zhang, Zhipeng Wang, Ziqi Xu, Bailiang Li, & Fengzhong Wang
食品标签
复合/即食/餐饮食品 干燥保藏 过程监测与在线检测 光谱/色谱/质谱等分析方法 动力学建模计算机标签
机器学习/统计学习 随机森林 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据随着提高冻干(FD)工艺效率和保护产品特性需求的增加,对工艺参数进行智能且稳健的分析以绘制有效的FD曲线,已成为现代FD工艺的发展方向。本研究设计了一种通过傅里叶变换红外光谱(FTIR)结合化学计量学的快速且适用的FD参数预测模型。通过光谱预处理和主成分分析,提取了34个特征波数作为建模输入变量,以量化FD参数。在18个参数预测模型中,人工神经网络被采用于预冻和解吸阶段的温度和时间的最佳模型(R² = 0.91, 0.83, 0.92, 0.84,RMSE = 0.12, 0.13, 0.08, 0.10),随机森林被确认是升华阶段参数的最佳模型(R² = 0.88, 0.77,RMSE = 0.13, 0.16)。根据模型预测,随机抽取样本进行验证,实验结果与模型输出的吻合度接近96%。
-
基于近红外光谱的便携式系统检测姜黄中淀粉掺假
查看原文2024
Food Control
中科院一区JCR一区Madhusudan G. Lanjewar, Pranay P. Morajkar, & Jivan S. Parab
食品标签
其他果蔬制品/植物类 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
机器学习/统计学习 随机森林 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据鉴于食品掺假问题引发的广泛担忧,实验室通常会开展分析检测以评定并保障食品品质。然而,依赖化学试剂或大型仪器的传统分析方法往往耗时久、成本高。为此,本研究提出一种高效检测姜黄中淀粉类掺假剂的方法,该方法兼具环保、经济、快速的优势。近红外光谱技术(NIR)恰好满足上述全部要求,在常规质量检测中具有巨大应用潜力。实验未采用传统大型昂贵的分光光度计,而是借助小型化的德州仪器 DLPNIRscan Nano 光谱模组,采集 900 nm–1700 nm 波段的样品反射光谱。研究制备了淀粉掺假比例为 0%–50% 的系列姜黄样品,并采用 Savitzky–Golay(SG)滤波器对所采集的光谱数据进行预处理。随后,利用多种机器学习(ML)模型对光谱数据开展训练与测试,同时通过主成分分析(PCA)法降低数据维度并验证其降维效果。本研究选取决定系数(R 2)、交互验证均方根误差(RMSEV)、平均绝对误差(MAEV)及留一法交叉验证(LOOCV)等多项指标,对各机器学习模型的性能进行综合评价。结果显示,极端随机树回归器(ETR)模型的性能显著优于其他模型,其决定系数达 0.995,交互验证均方根误差为 1.056 mg(质量分数),平均绝对误差为 0.597 mg(质量分数);留一法交叉验证的决定系数为 0.994,交叉验证均方根误差为 1.038 mg(质量分数)。
-
比较评估激光电离和iKnife结合快速蒸发电离质谱和机器学习,用于Larimichthys crocea的地理鉴定
查看原文2024
Food Chemistry
中科院一区JCR一区Weibo Lu, Honghai Wang, Lijun Ge, Siwei Wang, Xixi Zeng, Zhujun Mao, Pingya Wang, Jingjing Liang, Jing Xue, Yiwei Cui, Qiaoling Zhao, Keyun Cheng, & Qing Shen
食品标签
鱼肉 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 K-近邻 超参优化/自动机器学习 分类/鉴别/等级评定 组学数据Larimichthys crocea(LYC)作为海洋鱼类具有重要的经济价值。然而,其来源标签的不准确可能对消费者利益产生不利影响。本研究开发了激光辅助快速蒸发电离质谱(LA-REIMS)和机器学习(ML)用于地理认证。与iKnife相比,LA因减少样品组织热损伤、自动化增强和使用简便性而更优。对中国六个不同地理来源的LYC分析显示共计798个离子,随后对六个分类法进行了分析以建立机器学习模型。经过超参数优化和特征工程,Chi2(15%)-KNN 模型展现出最高的训练和测试准确率,分别达到 98.4 ± 0.9% 和 98.5 ± 1.4%。这种LA-REIMS/ML方法论为追踪LYC的来源提供了快速、准确且智能的解决方案,从而为水产产品行业的可追溯性系统建立提供了宝贵的技术支持。
-
机器学习在食品生物活性化合物筛选中的研究进展
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Yiyun Zhang, Xin Bao, Yiqing Zhu, Zijian Dai, Qun Shen & Yong Xue
食品标签
营养与生物功能 抗氧化/抗炎等功能 血糖、血脂与代谢相关功能 植物化学/生物活性成分计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析背景:食物中含有丰富的生物活性化合物,这些化合物在人类健康中起着至关重要的作用。然而,筛选食品生物活性化合物的传统方法昂贵、耗时且劳动密集。机器学习技术为筛选潜在的生物活性化合物提供了一种高效且经济的手段,但其在食品领域的应用和研究仍然有限。
范围与方法:为促进食品生物活性化合物的有效筛选并为研究人员提供有价值的见解,本文介绍了构建机器学习模型的过程,包括数据准备、分子表示、机器学习算法选择和评估方法,并重点阐述了近年来机器学习在筛选具有不同生物活性的食品生物活性化合物方面的进展。此外,本文提出了当前存在的主要局限性、挑战,并建议了未来的研究方向。
主要发现与结论:利用机器学习筛选食品生物活性化合物的研究已取得一定进展,特别是在具有抗氧化和抗高血压活性的肽类以及具有降血糖活性的非肽类化合物方面。针对不同的生物活性建立机器学习模型存在不同的局限性和挑战。为确保高质量的机器学习模型,需要根据实际情况仔细考虑建模过程的每个步骤。未来,为进一步推动机器学习在食品领域的应用,有必要建立全面的食品生物活性化合物数据库,提高数据集的质量和数量,增强深度学习的可解释性;将机器学习与其他技术结合;整合分类与回归模型;从多个方面综合评估化合物;并开发能够预测多种生物活性的模型。