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
-
基于近红外高光谱成像与化学计量学的藏红花中柱头掺杂检测
查看原文2024
Food Control
中科院一区JCR一区Derick Malavi, Amin Nikkhah, Pejman Alighaleh, Soodabeh Einafshar, Katleen Raes, & Sam Van Haute
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
机器学习/统计学习 偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱藏红花是一种高价值香辛料,极易成为掺假目标。本研究提出采用近红外高光谱成像技术(NIR-HSI)结合化学计量学方法,构建一种快速经济的藏红花柱头掺假检测与定量分析方案。实验通过向纯藏红花柱头中添加不同浓度(20%–90%)的藏红花花柱,制备得到系列掺假样品。光谱数据预处理采用标准正态变量变换(SNV)与多元散射校正(MSC)两种方法;变量降维则通过主成分分析(PCA)与偏最小二乘法(PLS)完成。定性分类建模选用线性判别分析(LDA)、偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)及多层感知器(MLP)四种模型;定量分析则基于 PLS、PCA、SVM 和 MLP 构建回归模型。结果显示,所有分类模型均能高效区分纯藏红花、植物源性掺假物及掺假藏红花样品,正确分类率达 95.6%–100%。用于测定藏红花花柱掺假比例的回归模型预测性能优良,几乎所有模型的残差预测偏差(RPD)值均处于 3.0–5.4 区间。其中,基于 SNV 预处理结合 PLS 降维(提取 15 个潜变量)所构建的 MLP 模型(含 1 个隐含层、3 个神经元)表现出最优预测能力,其预测决定系数(Rp2)达 0.97、预测均方根误差(RMSEP)为 4.3%、残差预测偏差(RPD)为 5.4。研究结果证实,近红外高光谱成像技术结合化学计量学方法,在藏红花柱头中花柱掺假的快速无损检测与定量分析领域具有良好应用潜力。
-
利用CE-TOF/MS开发代谢组生物标志物以区分韩国和俄罗斯雪蟹的地理起源
查看原文2024
Food Chemistry
中科院一区JCR一区Jiyoung Shin, Junho Yang, Hyunsuk Kim, Yikang Sim, Eunji Cha, & Ji-Young Yang
食品标签
甲壳类 显微与成像技术 传统统计分析与回归 其他植物化学物质计算机标签
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 组学数据韩国捕捞雪蟹(山毛鸡)在韩国捕捞的受季节性限制;因此,雪蟹是从俄罗斯进口的。比较了两种地理起源雪蟹的代谢物。代谢物经过代谢组分析,以防止某一国家海洋产品的欺诈销售。采用毛细管电泳飞行时间质谱。通过质谱文库鉴定了77种目标代谢物。通过正交偏最小二乘判别分析,评估了前25个生物标志物候选者,基于以下条件 p-值和牌数变化。共识别出246个峰(阳离子模式分别为187个和阴离子模式的59个)。在生物标志物候选中,2-氧华烯酸、不对称二甲基精氨酸、次牛磺酸和异样苏氨酸被选为最终生物标志物,以明确确定其地理来源。总体而言,代谢分析使我们能够区分来自不同地理起源的雪蟹。这种方法也可以推广到其他海洋产品。
-
基于¹H NMR和GC结合多元统计分析对清香型白酒感官质量等级进行分类
查看原文2024
Food Control
中科院一区JCR一区Shuangxi Fan, Yicong Li, Bo Yang, Xin Zhang, Fengxian Wang, Xiaojuan Gao, Hongwei Yue, Zhuying Wu, Ziwei Xu, Dan Zhou, Xiaoxia Li, Xiaoxuan Shi, Fuping Lu, & Qiding Zhong
食品标签
酒精饮料 品质、结构与理化性质 特征风味 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 K-近邻 主成分分析/判别分析 超参优化/自动机器学习 分类/鉴别/等级评定 高光谱/多光谱光谱传统白酒感官评价采用统一的人工评定方法,难以实现不同感官品质等级的标准化划分。本研究精心采集了 92 份涵盖3 个感官品质等级的清香型白酒正品样本,通过气相色谱(GC)检测样本中 46 种主要风味物质的含量,同时利用质子核磁共振(¹H NMR)光谱技术获取有机化合物的氢原子特征信息。研究构建了主成分分析(PCA)、K 近邻(KNN)和线性判别分析(LDA)三种模型,并采用 内部留一交叉验证(LOOCV)与外部双重随机重复交叉验证(RDRCV) 对模型进行全面验证。结果显示,气相色谱与质子核磁共振技术结合主成分分析 / K 近邻分析的方法,可有效实现清香型白酒感官品质等级的划分,平均判别准确率高于 80%。此外,本研究引入合成少数类过采样技术(SMOTE),成功解决了因样本分布不均衡导致的模型过拟合问题。综上,质子核磁共振与气相色谱技术联用多元统计分析方法,可有效应用于清香型白酒的感官品质等级划分。
-
基于智能手机的数字图像方法,协助斯洛伐克托卡伊葡萄酒鉴定化学计量
查看原文2024
Food Chemistry
中科院一区JCR一区Larisa Onça, Nemanja Koljančić, Katarína Furdíková, Liudmyla Khvalbota, Ivan Špánik, & Adriano A. Gomes
食品标签
酒精饮料 食品安全与风险评估 显微与成像技术 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 可见光/RGB/视频数据斯洛伐克葡萄酒与匈牙利、法国、奥地利和乌克兰等不同地理区域的类似葡萄酒进行鉴定,采用了OC-PLS、DD-SIMCA和PLS-DM三种模型,这些模型均严格执行。研究共采纳了63个样本,其中41个来自斯洛伐克,涵盖了多种葡萄酒类型,如品种酒、Cuvée(不同的“putňový”)和精华。为了在受控条件下拍摄数字图像,设计了一个内面白色的定制纸箱,并配备了智能手机。培训阶段,OC-PLS、DD-SIMCA 和 PLS-DM 分别获得了96%、100%和96%的敏感性。在DD-SIMCA和PLS-DM的后续验证和测试阶段,所提方法展现出最佳效率,灵敏度和特异性均达到100%。然而,OC-PLS在验证中显示出90%的效率,测试中显示出80%的效率,未能取得类似结果。
-
绿色分析测定法,用于单粒玉米种子的活性评估,采用双阈值策略评估过氧化氢酶活性和丙二醛含量
查看原文2024
Food Chemistry
中科院一区JCR一区Ting An, Yaoyao Fan, Xi Tian, Qingyan Wang, Zheli Wang, Shuxiang Fan, & Wenqian Huang
食品标签
豆类与坚果(及籽类) 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱开发用于检测种子生存能力的无损技术充满挑战。本研究为建立一种绿色且有效的单粒玉米种子存活能力评估方法,提出了两阶段种子存活检测方法。该过氧化氢酶(CAT)活性和乙二甲醛(MDA)含量被选为影响玉米种子存活能力的最关键生化成分,并基于其高光谱信息和数据融合策略开发了回归预测模型。基于所选关键生化成分的预测反应值,构建了用于种子存活性评估的定性区分模型。结果显示,双成分阈值策略实现了最高的区分准确率(92.9%),为快速且环保地检测种子存活性提供了关键方法。