类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 712 条结果
-
台式核磁共振光谱用于牛奶脂肪的定量测定和乳糖的定性测定：从校准曲线到深度学习
查看原文
2024
LWT
中科院一区JCR一区
José Raúl Belmonte-Sánchez, Roberto Romero-González, Manuel Ángel Martínez Orosa, María Calvo Morata, & Antonia Garrido Frenich
食品标签
液态乳 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸 碳水化合物与糖类计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 小规模数据集本研究比较了三种不同的方法，用于利用台式质子核磁共振 (¹H NMR) 光谱法定量超高温 (UHT) 牛奶的脂肪含量。该技术是绿色、可获取的尖端技术的代表，适用于现代实验室环境。评估的方法包括传统的校准曲线和机器学习算法，重点是偏最小二乘回归 (PLS-R) 和人工神经网络 (ANN)，用于估计脱脂、半脱脂和全脂牛奶的脂肪含量。在这些方法中，ANN 在所有类型的牛奶中提供了最准确的结果，尤其是脱脂牛奶，具有 14.9% 的相对标准偏差 (RSD) 和 ±7.3% 的准确度。校准曲线的变异性较高，脱脂牛奶的 RSD 为 34.1%，真实性为 25.3%。PLS-R 在与校准曲线方法的比较中提高了准确性，将相对标准偏差（RSD）降低到 18.9%，真实度降低到 17.7%。该方法已成功应用于测定在西班牙不同超市购买的 51 样 UHT 牛奶的脂肪含量，对所考虑的三类牛奶（包括山羊奶、羊奶和牛奶咖啡）均提供了适当的结果。此外，机器学习的应用也证明了其有效性，能够成功区分含乳糖和无乳糖的 UHT 牛奶。
-
基于相似性评估模型的人类乳磷脂成分与结构及其自然资源的比较研究
查看原文
2024
Food Chemistry
中科院一区JCR一区
Huiquan Zhu, Marie-Laure Fauconnier, Hong Zhang, Xuebing Xu, Xiaodan Wang, Yumeng Zhang, Ruihua Guo, Wenyuan Zhang, Shuwen Zhang, Yunna Wang, Xiaoyang Pang, & Jiaping Lv
食品标签
乳及乳制品 营养与生物功能 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据人乳磷脂（HMPLs）在婴儿的神经发育和成长过程中起着不可或缺的作用。在本研究中，从人乳以及其他天然磷脂来源（包括 5 种动物来源和 2 种植物来源）中检测到了总共 37 种磷脂脂肪酸（PLFA）种类和 139 种磷脂分子种类。此外，还建立了一个针对 HMPLs 的相似性评估模型，包括磷脂类别、PLFA 和磷脂分子种类，以评估其天然替代品。在这些三个维度中，HMPL 替代品的最接近得分分别为 0.89、0.72 和 0.77，分别对应马乳、山羊乳和骆驼乳。综合相似性得分最高的是骆驼乳，为 0.75，而最低得分出现在大豆磷脂上（0.22）。因此，这些结果不仅监测了 HMPLs 及其替代品的立体化学结构，而且还为婴儿配方的开发提供了新的见解。
-
解开欧洲茶园的元素特征：对茶叶可追溯性的启示
查看原文
2024
Food Chemistry
中科院一区JCR一区
Federico Girolametti, Anna Annibaldi, Silvia Illuminati, Elisabetta Damiani, Patricia Carloni, Behixhe Ajdini, Matteo Fanelli, & Cristina Truzzi
食品标签
茶/茶饮料 传统统计分析与回归 矿物质与微量元素计算机标签
机器学习/统计学习 主成分分析/判别分析 分类/鉴别/等级评定本研究全面分析了多个欧洲花园中茶叶的元素特征，重点关注关键及潜在有毒微量元素在茶园加工和选址过程中的生物积累。样本采集自欧洲多个花园，包括葡萄牙、亚速尔群岛、德国、荷兰和瑞士。对新鲜茶叶、干叶以及用于制作绿茶和红茶的叶片进行了元素分析，同时还采集了茶树根区的土壤样本。结果显示，茶叶加工过程中元素含量没有显著差异。然而，在不同欧洲地区花园中种植的茶叶中观察到了明显的元素特征。利用化学计量和机器学习工具，研究强调了这些元素谱在提升茶叶产品可追溯性的潜力。
-
热氧化菜籽油的理化特性研究：声学诊断技术与化学计量学结合的探讨
查看原文
2024
LWT
中科院一区JCR一区
Jing Yan, Yingling Zhang, Hui Liang, Zibin Jiao, Lifan Song, Ji Liu, Qing Zhang, Yaowen Liu, & Wen Qin
食品标签
植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据本研究旨在应用超声脉冲回波系统对热氧化菜籽油进行表征。在经过60小时加热处理（165 ± 5 ◦C）后，测量了菜籽油的理化特性（密度、粘度、酸值、碘值和极性化合物）及声学特性（声速、声阻抗、第一回波的最大振幅、振幅差值及曲线下面积）。基于菜籽油的声学特性，使用支持向量机、随机森林（RF）和反向传播神经网络算法建立了粘度和极性化合物的定量预测模型。结果表明，声阻抗与粘度之间（R = 0.70）、以及声阻抗与极性化合物之间（R = 0.79）均存在显著相关性。加热处理降低了油的不饱和度，并导致氧化和聚合化合物的形成，这反过来增加了声速和阻抗，同时减少了其他三种声学特性。随机森林（RF）模型在预测粘度（R² = 0.7944）和极性化合物（R² = 0.8385）方面表现最佳。这些发现表明，超声技术不仅能够准确预测关键质量参数，还为表征热氧化菜籽油提供了一种快速、非破坏性且具有成本效益的替代传统方法。
-
机器学习辅助的近红外光谱快速鉴别杏仁粉中杏核掺假
查看原文
2024
Food Control
中科院一区JCR一区
A. Menevseoglu, J.A. Entrenas, N. Gunes, M.A. Dogan, & D. Pérez-Marín
食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据杏仁是全球消费量最高的坚果之一，兼具风味与高营养价值。鉴于杏仁的高商品价值及其作为主流树坚果的市场地位，建立一套快速、无损的检测方法以鉴别杏仁粉中掺入的杏仁核（注：此处结合食品掺假语境，apricot kernels 指易与杏仁混淆的杏核），已成为食品行业的迫切需求。杏仁是受经济利益驱动的掺假行为的高发目标，而杏核则是杏仁粉中最常见的掺假物。相较于色谱法等传统检测手段，近红外光谱（NIR）技术操作简便、无损检测且成本更低，是杏仁掺假检测的理想替代方案。本研究于土耳其采购 120 份杏仁样本，分别采用便携式与台式近红外光谱仪采集光谱数据，并结合类软独立建模法（SIMCA）、条件熵（CE）算法及机器学习构建分类模型，实现杏仁粉的真伪鉴别；同时利用偏最小二乘回归（PLSR）、条件熵算法及机器学习，建立杏仁粉中杏核掺假比例的定量预测模型。实验设置的杏核掺假梯度为 0~50%，且掺假比例以 2% 为间隔逐级递增。结果显示：基于两种光谱仪采集的数据，SIMCA 与 CE 算法均能将纯杏仁粉样本与掺假样本完全区分，鉴别准确率达 100%；在定量预测方面，两种仪器结合 PLSR 模型均表现出优异性能，预测相关系数（r val）均大于 0.96，预测标准误差（SEP）为 3.98%；此外，基于台式近红外光谱仪的数据，结合条件熵算法与机器学习的模型也取得了相近的预测效果，预测标准误差为 4.49%。综上，基于 SIMCA、PLSR 及 CE 算法构建的近红外光谱检测模型，可作为传统检测方法的有效替代方案，在杏仁粉杏核掺假的实时监管领域具有巨大应用潜力。
