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 93 条结果
-
基于傅里叶变换红外光谱与机器学习方法的啤酒挥发性化合物鉴别与定量
查看原文2024
Food Chemistry: X
中科院一区JCR一区Yi-Fang Gao, Xiao-Yan Li, Qin-Ling Wang, Zhong-Han Li, Shi-Xin Chi, Yan Dong, Ling Guo & Ying-Hua Zhang
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 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 红外/拉曼光谱数据啤酒中挥发性化合物的组成对啤酒品质至关重要。本文采用气相色谱-质谱联用(GC-MS)技术,在9种不同类型的啤酒中鉴定出23种挥发性化合物,即12种酯类、4种醇类、5种酸类和2种酚类。通过对风味化合物数据进行主成分分析(PCA),可以很好地区分不同类型的啤酒。己酸乙酯、辛酸乙酯和苯乙醇被确定为区分不同啤酒的关键挥发性化合物。基于傅里叶变换红外光谱(FTIR)的特征波长,采用偏最小二乘回归分析对啤酒样品中6种关键挥发性化合物的含量进行建模和预测。预测模型中每个样品的决定系数(R²)为0.9398–0.9994,预测均方根误差(RMSEP)为0.0122–0.7011。本文提出的方法已应用于啤酒样品中风味化合物的测定,与气相色谱-质谱联用(GC-MS)方法相比具有良好的一致性。
-
通过多种仪器结合机器学习对陈年绍兴黄酒香气特征的分析
查看原文2024
LWT
中科院一区JCR一区Gongshuai Song, Nengliang Jiang, Liwei Zhao, Zhichu Shan, Danli Wang, Tinglan Yuan, Ling Li, Mingquan Huang, & Jinyan Gong
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据老化决定了黄酒的香气品质和经济价值。传统的老化过程很容易导致年轻酒被标注为陈年酒的常见欺诈行为。在本研究中,使用多种仪器和机器学习(ML)相结合的方法,研究了不同年份(3、5、8 和 10 年)绍兴黄酒老化时间对香气特性的影响。随着老化时间的延长,呈现苦、甜、鲜味的游离氨基酸含量增加。酒精含量降低,而醛类、酯类和酮类含量增加。通过机器学习,对挥发物的整体信息进行了最大化和系统分析。机器学习模型的性能通过混淆矩阵进行评估。结果显示,关键挥发性香气化合物(例如:2-苯乙醇、壬醛和异戊醇主导了整体香气特征,并被认为是区分不同年份绍兴黄酒的可靠标志物。
-
基于ICP-MS和DOSY NMR谱的起泡酒深度强化学习分类
查看原文2024
Food Chemistry: X
中科院一区JCR一区Ana-Marija Jagatic Korenika,Ana Jeromei,Ivana Tomaz,Tomislav Jednačak,Sanda Rončević,Ivan Nemet,Ines Primožić,Tomica Hrenar & Predrag Novak
食品标签
酒精饮料 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 分类/鉴别/等级评定一种结合核磁共振波谱法、电感耦合等离子体质谱法(ICP-MS)、先进的张量分解算法以及最先进的深度学习程序的方法,被应用于根据地理 origin 对克罗地亚大陆起泡酒进行分类。研究表明,复杂的高维核磁共振或电感耦合等离子体质谱数据无法仅通过高阶张量分解进行分类。通过深度强化学习对该程序进行扩展,得到了一个精妙的神经网络预测模型,可用于根据地理 origin 对起泡酒进行分类。在一半样本集上训练的网络甚至能够对94%的所有样本进行分类。该模型在样本数量有限以及更简单的统计方法无法产生可靠数据的情况下特别有用。该模型还可进一步用于起泡酒的识别和区分,在真实性或质量控制方面具有很大潜力。
-
基于傅里叶变换近红外光谱结合深度学习和化学计量学的青稞啤酒糖化和煮沸阶段柏拉图度与总黄酮含量定量建模
查看原文2024
Food Chemistry: X
中科院一区JCR一区Xuyan Zong,Xianjiang Zhou,Xinyue Cao,Shun Gao,Dongyang Zhang,Haoran Zhang,Ran Qiu,Yi Wang,Jianhang Wu & Li Li
食品标签
杂粮 酒精饮料 品质、结构与理化性质 过程优化与控制策略 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类 多酚与黄酮计算机标签
智能手机/其他 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据精酿啤酒酿造商需要从传统工业生产中学习过程控制策略,以确保成品质量的一致性。本研究首次将傅里叶变换红外光谱(FT-IR)与深度学习相结合,对青稞啤酒在糖化和煮沸阶段的柏拉图度及总黄酮含量进行建模分析,并与传统化学计量学方法的效果进行比较。研究设计了两种深度学习神经网络,探讨了变量输入方式对模型效果的影响。实验结果表明,CARS-LSTM模型的预测性能最佳,不仅是糖化阶段(R²p = 0.9368)和煮沸阶段(R²p = 0.9398)柏拉图度的最佳定量模型,也是煮沸阶段总黄酮含量(R²p = 0.9154)的最佳模型。本研究展示了深度学习的巨大潜力,为啤酒酿造过程中的质量控制分析提供了新方法。
-
麸皮分离(Kubessa 法)影响啤酒老化化学
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Stefan A. Pieczonka, Lukas Brass, Florian Lehnhardt, Jens Eiken, Alexa Wachtler, Leopold Weidner, John Brauer, Michael Rychlik, Martina Gastl, Philippe Schmitt-Kopplin, & Martin Zarnkow
食品标签
酒精饮料 氧化、褐变等化学变化 特征风味 光谱/色谱/质谱等分析方法 含硫植物化合物计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据糖化前去除麸皮的 Kubessa 法是一种既有酿造工艺,通常被认为与啤酒口感柔和和风味稳定性改善有关,但关于其对啤酒影响的实证证据一直不足。本研究对既有酿造属性进行综合分析后发现,传统方法不能充分捕捉麸皮分离对啤酒酿造的影响。研究利用超高分辨率质谱(FT-ICR-MS)获得 Kubessa 法影响啤酒老化化学的明确证据,揭示了常规分析技术难以获取的复杂分子细节。研究解析了 Kubessa 啤酒中数千种分子的组成信息,并与全麦芽糖化进行比较。应用于老化实验的机器学习算法识别出 500 多种受麸皮分离抑制的老化相关化合物。互补的飞行时间质谱结合色谱进一步证实,麸皮糖化会引入含硫脂质化合物。这些啤酒组成上的显著差异,为进一步研究麸皮分离(Kubessa 工艺)在啤酒生产中的抗老化保护作用提供了有价值线索。