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 ICP-OES 多元素分析结合化学计量学对高价值意大利鹰嘴豆 (Cicer arietinum L.) 的特性分析
查看原文2022
Food Control
中科院一区JCR一区Francesca Di Donato, Francesco Squeo, Alessandra Biancolillo, Leucio Rossi, & Angelo Antonio D'Archivio
食品标签
豆类与坚果(及籽类) 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
机器学习/统计学习 主成分分析/判别分析 分类/鉴别/等级评定本研究选取 2019 年采自意大利 奇切拉莱(坎帕尼亚大区)、瓦伦塔诺(拉齐奥大区)及纳韦利(阿布鲁佐大区)三个产区的 60 份鹰嘴豆(Cicer arietinum L.)样本为研究对象,采用电感耦合等离子体发射光谱法(ICP-OES)测定样本中钙(Ca)、钾(K)、磷(P)、镁(Mg)、钼(Mo)、铜(Cu)、铁(Fe)、锰(Mn)、锌(Zn)及锶(Sr)十种元素的含量,以此实现对样本的特征表征。研究首先通过 方差分析(ANOVA) 评估所检测元素含量的显著性差异,随后分别采用判别分析方法(线性判别分析,LDA)与类模型方法(类类比软独立建模法,SIMCA)对样本进行产地分类。两类模型均以 33 份样本作为校正集完成模型构建,最终将其分别应用于 27 份预测集样本,以验证判别模型的分类能力及类模型的建模效能。结果显示,线性判别分析模型对预测集样本的分类准确率达 100%;基于类类比软独立建模法构建的类模型则表现出良好的灵敏度 —— 奇切拉莱产区、瓦伦塔诺产区及纳韦利产区样本的正确接受率分别为 88%、90% 和 100%,同时该模型的特异度达 100%,即所有非目标产区样本均被各产区类模型准确识别并排除。
-
基于近似组成、多元素和挥发性指纹图谱结合化学计量学的芝麻籽地理起源鉴别
查看原文2022
Food Chemistry
中科院一区JCR一区Si Mi, Yuhang Wang, Xiangnan Zhang, Yaxin Sang & Xianghong Wang
食品标签
豆类与坚果(及籽类) 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/等级评定本研究旨在对产自中国、多哥、苏丹、莫桑比克和埃塞俄比亚的芝麻进行判别与产地溯源鉴定。研究采用指纹图谱分析结合化学计量学方法,解析不同产地芝麻在化学元素与挥发性物质上的差异。结果显示,不同组别芝麻样品可实现清晰区分;所建立的判别模型对供试芝麻的鉴定正确率达100%。研究筛选出一组14 种化学元素与 12 种挥发性化合物作为核心判别标志物,其差异显著性水平p<0.05、变量重要性投影值VIP>1,可有效区分中国、多哥、苏丹、莫桑比克与埃塞俄比亚产芝麻。综上,本研究结果证实,化学分析结合化学计量学在芝麻地理产地溯源鉴定中具有极高的应用价值。
-
十种南非本土水果的代谢组学与化学计量学分析
查看原文2022
Food Chemistry
中科院一区JCR一区Nompumelelo J. Nkosi, Tinotenda Shoko, Vimbainashe E. Manhivi, Retha M. Slabbert, Yasmina Sultanbawa & Dharini Sivakumar
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析本研究采用超高效液相色谱 - 四极杆飞行时间质谱(UPLC‑QTOF/MS) 技术,对南非 10 种本土果实的代谢物进行了定性鉴定。代谢组学 - 化学计量学分析结果表明,在区分 3 个不同果实类群时,绿原酸的判别贡献度最高。热图分析依据代谢物含量呈现出相应的分布规律与聚类特征。德兰士瓦奶椰(Englerophytum magalismontanum) 中以下物质含量最高:槲皮素 3-O-α-L - 阿拉伯吡喃糖苷(401.09 mg/kg)、飞燕草素 3 - 半乳糖苷(57.80 mg/kg)、原花青素 B 型二聚体(527.07 mg/kg)、表儿茶素(1349.46 mg/kg)。水浆果(Syzygium cordatum) 中槲皮素 3 - 半乳糖苷、没食子酸甲酯 3-O-β-D - 吡喃葡萄糖苷含量最高;好望角无花果(Ficus capensis) 富含 3 - 咖啡酰奎宁酸(3-CQA)与 5 - 咖啡酰奎宁酸(5-CQA);莫博拉李(Parinari curatellifolia) 具有最高的铁离子还原抗氧化能力(FRAP,9.5 mmol TEAC/g)与 DPPH 自由基清除活性(IC₅₀ = 14.2 µg/mL)。对比其余 8 种本土果实,酸李(Ximenia caffra) 与沙杏藤(Landolphia kirkii) 对碳水化合物水解酶的抑制作用最强。相关性分析筛选出各果实中对应各类生物活性的关键功效成分,证实其具备作为功能性配料的应用价值。
-
基于谷物仓质量检测系统的大米直链淀粉含量无损评估
查看原文2022
Food Chemistry
中科院一区JCR一区Edenio Olivares Díaz, Shuso Kawamura,Hiroyuki Ishizu, Toru Nagata & Shigenobu Koseki
食品标签
大米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据直链淀粉含量是决定稻米品质的关键指标,其精准、无损检测一直是行业内的技术难题。本研究探究了稻米品质自动检测系统能否精准测定直链淀粉含量。研究选取 2008—2017 年产自日本北海道的 902 份样品,分别定标构建糙米与精米模型,并采用该地区 2018 年(n=33)和 2019 年(n=71)采自多家谷物加工厂的样品独立开展验证。该模型通过整合自动检测系统多源数据建立,数据来源包括近红外光谱仪、可见光谷物分选仪,结合化学计量学联合分析,并合并低直链淀粉与普通直链淀粉品种的验证结果。两种模型的预测标准误差均较低(<0.52%),预测偏差比均较高(>4.0),可实现直链淀粉含量的精准无损测定。综上,该品质自动检测系统能够满足稻米高品质、高食味性的生产与检测需求,是一种实用检测工具。
-
红外光谱在粮食作物真菌毒素快速筛查与常规分析中的潜力及适用性
查看原文2022
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Stephan Freitag, Michael Sulyok, Natasha Logan, Christopher T. Elliott & Rudolf Krska
食品标签
谷物/块根/豆与坚果类 微生物安全 显微与成像技术 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 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据红外(IR)光谱法正越来越多地以快速、无损且环保的方式用于分析粮食作物的质量和安全性。然而,灵敏度的缺乏以及主要样品基质成分的吸收特征重叠,往往阻碍了对痕量水平食品污染物的直接测定。通过使用近红外和中红外光谱以及高光谱成像来测量真菌引起的基质变化,已经实现了对粮食作物中真菌毒素的间接测定。近期的研究强调,此类红外光谱平台在食品和饲料供应链中对真菌毒素的快速分析方面具有巨大潜力。不过,目前尚无根据官方法规对红外方法进行验证的已发表报告,且那些展示其在常规分析设置中适用性的出版物也很少。因此,本综述旨在探讨红外光谱方法在快速测定粮食作物中真菌毒素方面的当前技术水平和潜力。该研究批判性地反思了红外光谱在常规分析中的适用性和局限性,并为食品和饲料行业中考虑采用红外光谱进行快速真菌毒素筛查的非光谱学专业人员提供指导。最后,还讨论了在食品和饲料安全领域的趋势、可能的应用领域以及不同的实施方式。