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 114 条结果
-
利用抗干扰比色传感器阵列结合近红外光谱对目标重金属进行定量和定性检测
查看原文2024
Food Chemistry
中科院一区JCR一区Kexin Zhang, Bridget Ama Kwadzokpui, Selorm Yao-Say Solomon Adade, Hao Lin, & Quansheng Chen
食品标签
植物油 食品安全与风险评估 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 偏最小二乘法 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据开发了一种抗干扰比色传感器阵列(CSA)技术,用于玉米油中目标重金属的定性和定量检测。该方法涉及结合机制,触发原子能级的变化和可见颜色的变化。采用了定制的嗅觉可视化设备收集光谱数据,揭示了明显的CSA色差图案。随后,使用了三种模式识别算法来创建目标重金属的识别模型。结果显示,ACO-KNN(蚂蚁群体优化-K-最近邻)模型表现优于其他模型,校准集准确率分别为90.28%和89.58%。ACO-PLS(偏最小平方法)模型更为稳定,预测误差均方根误差(RMSEP)分别为0.1730和0.1180。Pb和Hg的检测极限(LOD)和定量极限(LOQ)为(0.3、0.6、1.1和2.2)×10−3分别是mg/L。
-
基于中红外光谱与化学计量学的奇亚籽油掺假检测及α-亚麻酸含量预测研究
查看原文2024
Food Control
中科院一区JCR一区Tainara Rodrigues de Aguiar, Eron Lucas Dorocz, Luana Dalagrana do Santos, Ailey Aparecida Coelho Tanamati, Angela Maria Gozzo & Evandro Bona
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 脂质与脂肪酸计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据奇亚籽油因富含多不饱和脂肪酸(尤其是 α- 亚麻酸)而具有很高的商业价值,同时也成为掺假的高发目标。传统的油脂掺假检测多采用气相色谱法,但该方法存在耗时等缺点。开发红外光谱等快速分析方法,对于打击油脂掺假行为具有重要意义。本研究旨在采用中红外光谱技术(FTIR) 结合化学计量学方法,实现奇亚籽油掺假检测。研究人员先通过冷榨工艺提取奇亚籽油,再向其中分别掺入葵花籽油、玉米油与大豆油制备掺假样品;随后利用傅里叶变换红外分光光度计,搭配水平衰减全反射附件(HATR)采集样品的衰减全反射中红外光谱(FTIR-ATR)。研究构建并优化了偏最小二乘回归模型(PLS),用于预测奇亚籽油的掺假含量以及脂肪酸(包括 α- 亚麻酸)含量。其中,脂肪酸含量的测定以气相色谱法作为参比方法,掺假含量则为已知设定值。结果显示,奇亚籽油掺假含量预测模型的性能优异,预测集决定系数(r 2)达 0.9868,检测限低至 1.47%,定量限为 4.40%;脂肪酸含量预测模型同样表现出良好的预测能力,模型参数满足r2>0.90、均方根误差(RMSE)<21 mg/g、相对标准偏差(RSD)<6.5%、检测限(LOD)<12 mg/g、定量限(LOQ)<36 mg/g 的要求。研究结论表明,将衰减全反射中红外光谱技术与偏最小二乘回归模型相结合,即便面对不同种类的掺假油脂,也能实现奇亚籽油掺假程度的定量检测。该方法检测速度快、成本低,可作为植物油掺假监控的重要替代方案。
-
基于低场核磁共振结合化学计量学的食用油羰基值定量测定
查看原文2024
LWT
中科院一区JCR一区Dan Peng, Qi Zhou, Min Su, Shaoshuai Zheng, Shuli Xie, & Jun Li
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 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据低场核磁共振(LF-NMR)结合化学计量学被用于快速且无损地定量测定油炸过程中油脂的羰基值(CV)。分析了油炸过程中油脂的质量指标以及其LF-NMR信号的变化,进而探讨了油脂质量指标与弛豫特征指数之间的相关性,并研究了建模数据和预处理方法对建模性能的影响。基于LF-NMR的回波衰减曲线数据和弛豫特征指数数据,通过偏最小二乘法(PLS)、主成分回归(PCR)、多元线性回归(MLR)和支持向量机回归(SVR)建立了CV预测模型。结果显示,CV与松弛特性指数之间存在显著相关性(p < 0.01),建模数据和预处理方法均会影响模型性能。非线性SVR模型的预测性能明显优于线性建模方法(PLS、PCR和MLR)。基于回波衰减曲线数据,使用SVR方法建立的CV最佳预测模型。预测的均方根误差和决定系数分别为2.599 mmol/kg和0.9873。
-
将近红外高光谱成像与机器学习和特征选择相结合:检测特级初榨橄榄油中掺入的低等级橄榄油和榛子油
查看原文2024
Current Research in Food Science
中科院一区JCR一区Derick Malavi, Katleen Raes & Sam Van Haute
食品标签
植物油 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
偏最小二乘法 支持向量机 随机森林 K-近邻 逻辑回归/贝叶斯 智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱检测特级初榨橄榄油(EVOO)中的掺假行为,对于化学成分相似的油类而言尤其具有挑战性。本研究应用近红外高光谱成像(NIR-HSI)和机器学习(ML)技术,检测不同浓度(1%、5%、10%、20%、40%和100% 质量比)的榛子油、精炼橄榄油和橄榄果渣油对特级初榨橄榄油的掺假情况。研究采用萨维茨基-戈莱滤波、一阶和二阶导数、多元散射校正(MSC)、标准正态变量(SNV)及其组合对光谱数据进行预处理,并通过主成分分析(PCA)降低数据维度。分类工作借助偏最小二乘判别分析(PLS-DA)和多种机器学习算法完成,包括k近邻(k-NN)、朴素贝叶斯、随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)。在区分纯特级初榨橄榄油、掺假物和掺假油时,PLS-DA、k-NN、RF、SVM、NB和ANN模型的准确率分别达到97.0–99.0%、96.2–100%、96.5–100%、98.6–99.5%、93.9–99.7%和99.2–100%。在二分类中,PLS-DA、RF、SVM和ANN的性能显著优于朴素贝叶斯(p < 0.05),马修斯相关系数(MCC)均超过0.90。除朴素贝叶斯外,所有二分类器在结合SNV/MSC、萨维茨基-戈莱平滑及导数处理后,在区分纯特级初榨橄榄油与掺假油时,准确率、灵敏度、特异性、F1分数、精确度和MCC均稳定达到满分(1.0)。使用全光谱的模型与基于关键变量选择的模型在性能上无显著差异(p > 0.05)。不过,PLS-DA和ANN的性能显著优于k-NN、RF和SVM(p < 0.05),其MCC值在0.95至1.00之间,表明分类性能更优。这些研究结果表明,将近红外高光谱成像与机器学习相结合,并辅以关键变量选择,有望为检测特级初榨橄榄油中的掺假行为以及打击橄榄油行业的欺诈活动提供一种有效、无损的解决方案。
-
集成机器学习作为一种数学方法,用于预测在高电压电场辅助下使用活性多孔电极去除大豆油中的色素和氧化指标
查看原文2024
LWT
中科院一区JCR一区Maryam Mousavifard, Elahe Abedi, & Kazem Alirezalu
食品标签
植物油 非热加工技术 颜色与外观品质 氧化、褐变等化学变化 常规理化指标测定 花青素与类胡萝卜素计算机标签
机器学习/统计学习 支持向量机 定量预测/回归分析多孔电极材料为电化学反应提供了较大的表面积,并有效促进离子传输。通过优化多孔电极的设计和性能,可以提升漂白性能。在本研究中,采用了三种机器学习 (ML) 算法,即支持向量回归、岭回归和决策树回归,用于预测不同高压电场辅助漂白 (HVEFAB) 条件下的漂白效率。随后,将这些模型的结果与通过前述算法组合创建的集成模型进行了比较,集成方法包括装袋(bagging)、提升(boosting)和堆叠(stacking)三种技术。随着电压的增加、电极表面的改性、阴阳极数量的变化以及惰性电解质的存在,叶绿素和类胡萝卜素的水平降低了。同时,红色和叶绿素的减少比黄色和类胡萝卜素的减少更显著。此外,应用 HVEFAB 可能降低极性化合物(如电极表面氧化化合物)的含量。基于 MSE、MAE 和 R² 指标,算法在预测输出 1(颜色指数)和 2(氧化指数)方面的效果可按以下顺序排列:Stacking > Boosting > Bagging > 决策树(DT)> 岭回归 > 支持向量回归(SVR)。研究结果表明,将这三种模型整合,主要通过 stacking 技术,显著提高了预测模型的准确性。与响应面法(RSM)相比,粒子群优化(PSO)和多项式回归代表了预测红色去除的更优模型。