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
-
替代干燥技术对啤酒花香气品质的影响:一种结合HS-SPME-GC-MS-O与化学计量学的方法
查看原文2022
Food Chemistry
中科院一区JCR一区Xueqian Su, Ken Hurley, Zhiyuan Xu, Yixiang Xu, Laban Rutto, Sean O'Keefe, Holly Scoggins & Yun Yin
食品标签
水果/蔬菜与菌菇类/植物类 加工与新加工技术 特征风味 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 时序传感器/物联网数据面对美国精酿啤酒厂数量持续增长的现状,行业亟需经济可行、高效的啤酒花干燥工艺方案。本研究分别采用脱水机干燥(52 ℃)、烘箱干燥(52 ℃)、冷冻干燥(-25 ℃)处理啤酒花,直至最终水分含量降至 8%~10%。借助顶空固相微萃取 - 气相色谱 - 质谱 - 嗅闻联用技术(HS-SPME–GC–MS–O),对各类干燥啤酒花的香气轮廓进行系统分析。所有样品中,辛酸甲酯、β- 月桂烯、反式 -α- 香柠檬烯、芳樟醇、香叶醇均被判定为高香气强度物质。整体来看,脱水机干燥组的香气物质含量在三组中最高,较冷冻干燥组提升 5%~23%,较烘箱干燥组提升 6%~37%。主成分分析与系统聚类分析亦明确区分了三种干燥方式所得样品的香气含量差异。因此,52 ℃条件下的脱水机干燥可作为小型化啤酒花加工的优选替代工艺,能够为区域生产商与本地精酿啤酒厂带来显著效益。
-
分析技术与化学计量学相结合用于追溯油脂地理来源的系统综述(2013–2020)
查看原文2022
Food Chemistry
中科院一区JCR一区Haroon Elrasheid Tahir, Muhammad Arslan, Gustav Komla Mahunu, Abdalbasit Adam Mariod, Sulafa B.H. Hashim, Zou Xiaobo, Shi Jiyong, Hesham R. El-Seedi & Taha H. Musa
食品标签
油脂及油脂制品 脂质与脂肪酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据近十年来,随着消费者对全球各地食品来源的关注度不断提升,全球进口高品质定价食品市场呈现迅猛增长态势。众多国家均要求食品标注产地信息,以保障消费者对食品真实属性与产地的知情权。监管机构正不断扩充、更新油脂真实性鉴别所用的分析技术清单,为执法工作提供技术支撑。本综述系统梳理了各类分析检测技术结合多元统计分析,在油脂地理产地鉴别中的研究与应用进展;阐述了当前主流的检测技术手段,并通过科学计量分析明确了油脂产地溯源领域的研究趋势,以及该方向成果发表的主流期刊。总体而言,本文可为食品行业及食品质量监管部门提供详实参考,助力其筛选适配的油脂真实性鉴别方法。
-
基于系统机器学习建模的新型多层甜味评价预测方法
查看原文2022
Food Chemistry
中科院一区JCR一区Zheng-Fei Yan, Ran Xiao, Guo-Li Xiong, Qin-Lu Lin, Ying Liang, Wen-Bin Zeng, Jie Dong & Dong-sheng Cao
食品标签
甜味剂 品质、结构与理化性质 统计建模与仿真计算机标签
机器学习/统计学习 定量预测/回归分析在探究甜度与化学结构之间的关系时,计算方法正取代传统实验测试,受到越来越多的关注。本研究提出一套基于机器学习方法的新型多层级甜度评价系统。该系统可用于评估不同化学空间、不同类别化合物的甜味特性,涵盖天然类、人工合成类、碳水化合物类、非碳水化合物类、营养型和非营养型甜味物质,适用于多种应用场景。此外,该系统能够实现甜度的定量预测。研究人员还通过分子云分析和匹配分子对分析(MMPA)方法,挖掘出与甜度相关的化学依据及结构转化规律。本研究系统性地提升了数据质量,筛选出最优机器学习算法与分子表征策略,最终构建出稳健的预测模型,并以此建立多层级预测系统(获取地址:https://github.com/ifyoungnet/ChemSweet)。我们期望本研究成果能够助力食品科研人员高效筛选、精准开发高品质甜味剂。
-
侧甲基对β-胡萝卜素结构和振动性质的影响:以丁二烯和异戊二烯为例
查看原文2022
Food Chemistry
中科院一区JCR一区Teobald Kupka, Tomasz Gajda, Wioletta Ochędzan-Siodłak, Aneta Buczek & Małgorzata A. Broda
食品标签
光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
设计/生成与推荐 机器学习/统计学习本文以反式丁二烯与反式异戊二烯这两种中等大小分子为研究对象,报道了甲基对 β- 类胡萝卜素分子结构与振动光谱性质影响的理论研究。以反式 - 1,3 - 丁二烯和反式 - 异戊二烯作为 β- 类胡萝卜素的最小结构基元,采用包含相关一致基组与极化一致基组的密度泛函理论(DFT) 进行计算,并通过非线性最小二乘法拟合,在完全基组极限(CBS)下对其分子结构与简谐振动频率进行估算。使用 B3LYP、BLYP 密度泛函结合大基组得到的优化构型与简谐频率,可通过一种计算效率显著更高的方法精准重现,该方法采用了新近改进的 STO (1M)-3G 斯莱特型基组。将优选的密度泛函分别与 STO (1M)-3G 和 6-311++G 基组组合,同样可成功预测 β- 胡萝卜素的分子结构与简谐振动频率。本研究证实,所采用的理论计算层级可推广应用于包含 β- 类胡萝卜素在内、存在于多种天然食品中的更大分子体系。该分子模拟方案适用于食品中生物活性化合物的研究,能够更深入揭示其在生物体内的功能机制,而这些功能与其分子结构和光谱性质直接相关;该方法还可基于各类食品基质中 β- 类胡萝卜素的谱峰归属,为实验定性分析提供理论支撑。
-
通过人工智能与傅里叶变换拉曼光谱揭示果酒指纹特征
查看原文2022
Food Control
中科院一区JCR一区D.A. Magdas, M. David, & C. Berghian-Grosan
食品标签
酒精饮料 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 红外/拉曼光谱数据人工智能(即机器学习)的应用,标志着食品代谢组学研究与食品真实性鉴别技术迈入了新的发展阶段。本研究验证了傅里叶变换拉曼光谱技术(FT-Raman spectroscopy) 结合机器学习算法,在果酒产品特征指纹图谱构建与溯源鉴别中的可行性。基于所构建的最优模型,最终实现了96.2% 的预测准确率。值得注意的是,本研究的产地溯源分析需对特兰西瓦尼亚地区周边相邻产区的蒸馏酒样本进行区分,该分类任务的难度极高,但研究仍取得了理想的判别效果。相比之下,基于原料品种的鉴别效果则较为一般,这表明不同果实酿造的蒸馏酒之间的特征差异过于细微,难以通过本研究提出的技术方案实现精准判别。
为进一步提升模型预测性能,研究团队纳入了斯托克斯散射与反斯托克斯散射等不同光谱区间的数据进行分析,筛选出适用于各类鉴别模型的最优光谱波段,并对多种机器学习算法的性能展开了对比验证。