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
-
掺假芝麻油FTIR光谱预处理方法论方法
查看原文2023
Food Chemistry
中科院一区JCR一区Rasool Khodabakhshian, Hajarsadat Seyedalibeyk Lavasani & Philipp Weller
食品标签
植物油 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据傅里叶变换红外(FTIR)光谱法已被确立为一种高效、快速的检测食品及食用油脂等品类真伪的技术手段。然而,光谱精准分析中至关重要的预处理步骤,目前尚无统一标准操作流程。本研究针对掺入菜籽油、玉米油、葵花籽油等植物油的芝麻油傅里叶变换红外光谱,提出一套光谱预处理方法体系。研究重点考察的主流预处理方法包括正交信号校正(OSC)、标准正态变量变换(SNV)及扩展多元散射校正(EMSC);同时将其他预处理方法单独使用或与上述主流方法组合联用。采用偏最小二乘回归(PLSR)对各预处理效果进行对比分析。结果表明,正交信号校正单独使用或结合去趋势处理时,对芝麻油掺假比例的预测精度最高,针对不同掺假油脂,其预测决定系数(R²p)最高可达0.910~0.971。
-
82种植物油中的游离生育酚与三烯生育酚:PCA和HCA揭示的化学分类学关系
查看原文2023
Food Research International
中科院一区JCR一区Aleksander Siger & Paweł Górnaś
食品标签
植物油 品质、结构与理化性质 脂溶性维生素 A/D/E/K计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 质构/流变/感官数据 中等规模数据集本研究对418个植物油样品(涵盖31个科、82个种及5个杂交种)中的生育酚(T)和三烯生育酚(T3)组成进行了分析。其中15个物种以三烯生育酚为主,67个物种以生育酚为主。在所有调查样品中,γ-T的平均占比接近总生育酚类含量的一半(49.3%),α-T占比四分之一(25.0%),其余生育酚类仅为微量成分。研究注意到植物分类学来源与其油脂中特征性生育酚类组成之间存在强烈关联。本研究首次证明,不仅是单子叶植物,部分双子叶植物科也可能富含三烯生育酚。同时,研究也展示了主成分分析(PCA)和层次聚类分析(HCA)等统计工具基于生育酚类组成对植物样品进行区分的实用性。
-
基于橄榄油化学成分的机器学习对橄榄品种的分类
查看原文2023
Food Chemistry
中科院一区JCR一区Vasiliki Skiada, Panagiotis Katsaris, Manousos E. Kambouris, Vasileios Gkisakis & Yiannis Manoussopoulos
食品标签
植物油 品质、结构与理化性质 常规理化指标测定 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 分类/鉴别/等级评定 中等规模数据集特级初榨橄榄油的可追溯性与真实性是重要的质量指标,目前学界正围绕其开展大量深入研究,旨在研发相关技术方法,解决橄榄油产地溯源相关问题。本研究旨在构建一种可基于橄榄油化学成分鉴别橄榄品种的分类模型。为达成研究目标,连续两个收获季,从希腊西部沿海地区与意大利南部不同产地,采集了源自2个希腊橄榄品种和3个意大利橄榄品种的385份橄榄油样品,并对其理化成分特征进行检测分析。主成分分析结果显示,各橄榄品种在同收获季及不同收获季间均呈现出明显的品种分化规律。基于极端梯度提升(XGBoost)机器学习算法构建的人工智能模型,在混合样品中对5种橄榄品种均表现出优异的分类识别效果。
-
数据融合对提高橄榄油质量测量精度的影响
查看原文2023
Food Chemistry: X
中科院一区JCR一区Mohammad Reza Zarezadeh, Mohammad Aboonajmi & Mahdi Ghasemi-Varnamkhasti
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 其他理化与结构表征计算机标签
主成分分析/判别分析 其他深度学习结构 特征工程与选择策略 分类/鉴别/等级评定 时序传感器/物联网数据 多模态/融合数据 中等规模数据集橄榄油是最健康、最有营养的食用植物油之一,具有很高的掺假潜力。本研究通过融合电子鼻和超声波两种方法,采用六种不同的分类模型对橄榄油的掺假样品进行检测。样品分为六种掺假类别。电子鼻系统包括八种不同的传感器,超声波系统使用2 MHz探头进行透射式测量。采用主成分分析方法进行特征降维,并使用六种分类模型进行分类。结果表明,对分类影响最大的特征是“超声波振幅损失百分比”。研究发现,超声波系统的数据比电子鼻系统的数据更有效。结果显示,人工神经网络方法被认为是最高效的分类器,准确率最高(95.51%)。通过数据融合,所有分类模型的分类准确率均显著提高。
-
基于神经网络的POLIVAR模型开发用于预测和识别单一品种橄榄油
查看原文2023
Food Control
中科院一区JCR一区Jorge Cervera-Gascó, Adrián Rabadán, Eulogio López-Mata, Manuel Álvarez-Ortí, & José E. Pardo
食品标签
植物油 食品安全与风险评估 脂质与脂肪酸计算机标签
深度学习 分类/鉴别/等级评定消费者对特性差异化的单品种橄榄油需求日益增长,这就要求建立系统化的检测流程与工具,以甄别橄榄油市场中的掺假或品质劣变行为。此外,橄榄品种也是一项关键认证依据,可证明橄榄油符合欧盟认证的地理标志保护产品标准。本研究旨在通过人工神经网络(ANN) 算法,构建一套单品种橄榄油预测鉴别模型。该模型仅需输入少量化学参数,即可实现高精度的品质管控。模型构建的数据源来自西班牙卡斯蒂利亚 - 拉曼恰产区内,124 个获得原产地保护认证及品质标识认证的橄榄种植地块。实验结果受不同化学参数含量的影响呈现梯度变化:仅分析一种参数(十七碳烯酸) 时,模型的总体判别准确率(OAA)为 62.35%;纳入三种参数(硬脂酸、油酸及菜油甾醇浓度) 后,总体判别准确率提升至 91.50%;当参数数量增至五种(棕榈酸、硬脂酸、亚油酸、花生酸及菜油甾醇浓度) 时,总体判别准确率高达 98.79%。本研究开发的POLIVAR(橄榄油品种预测)模型可实现对主流单品种橄榄油的精准鉴别,为保障产品品质与维护消费者权益提供了有效技术工具。