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 2456 条结果
-
不同品种烤猪肉香气指纹的差异分析:结合使用GC-IMS、GC-O-MS和GC×GC-MS的互补方法
查看原文2025
Food Chemistry: X
中科院一区JCR一区Xinhe Zhang, Jingyu Li, Wenjing Li, Shuqi Zhao, Chanchan Sun, Chengyu Zeng, Cheng Li, Jiangyan Yu, Fengxue Zhang, Junke Li & Huan Liu
食品标签
畜肉 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 质构/流变/感官数据在中国,由于对适合烤制的猪品种了解有限,猪肉产业化进程受到了阻碍。研究人员采用感官评价和多维质谱法,对不同品种烤猪肉的香气特征进行了分析。结果观察到了明显的指纹差异,其中民猪(MIP)烤制品的变化最为显著。与南阳黑猪(NBP)、长白猪(LAP)、莒南土猪(JUP)和乌金猪(WUP)相比,民猪烤猪肉的感官强度最高,尤其是在烘烤味、肉味和脂肪味方面。研究鉴定出31种关键香气化合物,其中吡嗪类化合物,特别是3 - 乙基 - 2,5 - 二甲基吡嗪,对烘烤香气的贡献最大。偏最小二乘判别分析(PLS - DA)是区分不同品种烤猪肉的有效方法,样本之间无重叠。值得注意的是,3,5 - 二乙基 - 2 - 甲基吡嗪成为了一种独特的标志物。这项研究为筛选适合烤制的猪品种提供了可靠的方法。
-
采用顶空固相微萃取-气相色谱质谱联用技术与模拟采样结合随机森林法研究中粒咖啡麦芽发酵过程的感官特征
查看原文2025
Food Chemistry
中科院一区JCR一区Evandro Messias, Cleidiana V. Guimarães, José M.R. da Luz, Ellisson H. de Paulo, Emanuele C. da S. Oliveira, Márcia H.C. Nascimento, Marco F. Ferrão, Rogério C. Guarçoni, Paulo R. Filgueiras & Lucas L. Pereira
食品标签
咖啡饮料 感官科学与消费者研究 光谱/色谱/质谱等分析方法计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据中果咖啡饮品的感官属性取决于咖啡豆的化学成分,尤其是挥发性有机化合物(VOCs)的含量。然而,这些化合物的相对丰度可能会随着咖啡豆的成熟阶段而变化。本研究采用顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)技术以及结合合成采样的随机森林分析方法,探究了经麦芽处理和酿酒酵母发酵后,对中果咖啡感官属性起作用的挥发性有机化合物。研究鉴定出94种挥发性有机化合物,其中约10%有助于区分该饮品的感官特征。发酵64小时后,与天然咖啡相比,使用果糖(T2)、葡萄糖(T3)和纤维素酶(T4)进行的麦芽处理提高了感官评分。咖啡浆果的浸渍/发酵过程产生了强烈的微生物活性,有利于挥发性有机化合物的生成。机器学习方法在挥发性有机化合物的识别方面被证明是有效的。气味活性值表明,通过该方法识别出的挥发性有机化合物与咖啡饮品的感官特征相关。
-
龙井茶的定量非挥发性感应物,以及通过感官分析、大规模定量代谢组学和机器学习区分味觉质量
查看原文2025
Food Chemistry
中科院一区JCR一区Xujiang Shan, Lingchi Niu, Qianting Zhang, Zhizhen Fang, Yuning Feng, Rui Liang, Zhenxing Xu, Shan Zhang, Le Chen, Weidong Dai, Qinghua Zhou, Yongwen Jiang, Haibo Yuan & Jia Li
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮计算机标签
机器学习/统计学习 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据 小规模数据集关于龙井茶中定量非挥发性感索他菌的研究仍然缺乏。本书通过感官定量分析和定量代谢组学分析了42个龙井茶样品的口感和分子特征。首次通过使用超高性能液相色谱质谱对茶浸中104种非挥发物进行绝对定量,绘制出一个全面的景观图。氟烷-3-醇最为丰富(1051.90–1571.98 mg/L),其次是生物碱(447.16–620.26 mg/L)、氨基酸(378.15–730.41 mg/L)、酚酸(296.88–516.93 mg/L)、有机酸(98.92–163.38 mg/L)、黄酮苷类(34.02–111.59 mg/L)等。表食子子儿茶素-戊酸、咖啡因、茶氨酸、喹僩酸、柠檬酸、凯姆费罗-3-半乳糖基醛苷在各类中占主导地位。茶饮中味道鲜味与醇厚味主要体现在氨基酸和类黄酮的化学差异,其中16种化合物是关键差异。此外,利用二元逻辑回归构建了有效的味觉评估和辨别模型(预测准确率97.6%,鲜味与柔和),利用关键标志化合物Kaempferol-3-O-葡萄糖基视素苷和天冬氨酸。
-
利用高光谱成像技术与人工智能预测以油凝胶作为起酥油替代品的饼干品质
查看原文2025
Current Research in Food Science
中科院一区JCR一区Sungmin Jeong, Jeongin Hwang, Jongbin Lim & Suyong Lee
食品标签
起酥油/人造脂肪 饼干/薄脆制品 传统热加工 质构与流变性质 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 脂质与脂肪酸计算机标签
梯度提升决策树 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据本研究共采用36种由不同蜡类和植物油制备的油凝胶作为饼干中的起酥油替代品,并运用集成三种提升模型(AdaBoost、GBM和XGBoost)的机器学习方法预测其对饼干品质特性的影响。巴西棕榈蜡油凝胶具有最高的熔融温度,可使饼干质地更为坚实;而蜂蜡油凝胶制得的饼干延展性更佳、硬度更低。不同蜡类和油脂的高光谱图谱相似,经主成分分析可依据蜡的添加量实现明显聚类。通过对油凝胶高光谱数据进行预处理,三种机器学习提升模型预测饼干延展性和硬度的性能得到提升,决定系数R²均超过0.95。上述研究结果表明,将高光谱成像技术与机器学习相结合,可有效预测不同油凝胶作为起酥油替代品时焙烤食品的品质特性。
-
基于高光谱图像数据的枣子分选与分级方法开发
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Quoc Thien Pham, Shang-En Lu & Naishang Liou
食品标签
新鲜水果 其他品质相关性质 显微与成像技术计算机标签
其他深度学习结构 目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱 中等规模数据集直接使用高光谱图像数据和像素级分类模型的结果进行枣子分选和分级是具有挑战性的,因为异常值和边缘效应引起的误分类可能导致错误判断。此外,并非所有枣子缺陷都具有相同的危害性或导致特定枣子在分选线上被剔除。市场仍可接受与食品安全无关的缺陷枣。此外,枣子果梗区域的分类结果应根据不同市场进行特殊处理。本研究研究了一种利用高光谱成像数据进行枣子分选和分级的方法。任务包括开发程序以消除由曲率效应和异常值引起的误分类、识别枣子的果梗区域,并为目标市场做出被研究枣子的分选(保留/剔除)和分级判断。研究结果表明,利用缺陷图中缺陷组件的纵横比和位置的算法能有效识别和消除曲率效应引起的误分类,YOLOv8n-seg模型能很好地识别果梗区域,且使用形态学操作去除像素少于10个的缺陷组件能有效去除噪声缺陷异常值。基于210个枣子样本的结果,用于剔除缺陷枣的分选程序准确率为91.78%。完好枣子或仅有锈斑缺陷的枣子根据锈斑面积和形状不规则程度分为三个等级。锈斑像素少于8000且不规则形状指数小于0.07的枣子被视为特级。