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LC-HRMS与1H NMR代谢组学数据融合方法的Amarone葡萄酒按风干时间与酵母菌株分类
查看原文2024
Food Chemistry: X
中科院一区JCR一区Pier Paolo Becchi, Veronica Lolli, Leilei Zhang, Francesco Pavanello, Augusta Caligiani & Luigi Lucini
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 代谢组学计算机标签
偏最小二乘法 智能手机/其他 分类/鉴别/等级评定 组学数据 多模态/融合数据本研究结合两种非靶向代谢组学方法(液相色谱-高分辨质谱法和氢核磁共振波谱法),根据葡萄的萎凋时间和酵母菌株对阿马罗内葡萄酒进行分类。研究采用了多组学数据整合方法,将无监督数据探索(多组学数据整合分析)和有监督统计分析(稀疏偏最小二乘判别分析)相结合。结果显示,多组学伪特征值空间表明数据集之间的相关性有限(RV系数=16.4%),这提示了这些检测方法的互补性。此外,稀疏偏最小二乘判别分析模型能根据萎凋时间和酵母菌株对葡萄酒样品进行正确分类,相较于单一技术所获得的结果,该模型对葡萄酒代谢组的表征更为全面。在整个萎凋过程中,氨基酸、单糖和多酚类化合物的积累存在显著差异,且样品分类的错误率较低(7.52%)。总之,该策略在整合大型组学数据集以及识别能够根据葡萄酒样品特性对其进行区分的关键代谢物方面展现出了较强的能力。
-
基于化学计量学结合矿物元素、挥发性成分与非靶向代谢组学的中国葡萄酒地理识别
查看原文2024
Food Chemistry: X
中科院一区JCR一区Kexiang Chen, Hongtu Xue, Qi Shi, Fan Zhang, Qianyun Ma, Jianfeng Sun, Yaqiong Liu, Yiwei Tang & Wenxiu Wang
食品标签
酒精饮料 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法 代谢组学计算机标签
偏最小二乘法 支持向量机 随机森林 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 组学数据 质构/流变/感官数据确定葡萄酒的地理来源至关重要,因为产地造假在葡萄酒行业中十分常见。本研究采用电感耦合等离子体质谱法、顶空固相微萃取气相色谱-质谱法和超高效液相色谱-四极杆-轨道阱质谱法,对葡萄酒中的矿物元素、挥发性成分和代谢物进行了分析。通过主成分分析和正交偏最小二乘判别分析,筛选出了用于葡萄酒产地分类的最关键变量(5种矿物元素、13种挥发性成分和51种代谢物)。随后,使用K近邻、支持向量机和随机森林这三种算法,对单一数据集和融合数据集进行建模以用于产地识别。结果表明,基于特征变量(矿物元素、挥发性成分和代谢物)的融合数据集表现最佳,三种算法的预测准确率均达到100%。本研究证实了多源数据融合策略在国产葡萄酒真实性鉴定中的有效性。
-
使用便携式拉曼光谱法识别威士忌的学习算法
查看原文2024
Current Research in Food Science
中科院一区JCR一区Kwang Jun Lee, Alexander C. Trowbridge, Graham D. Bruce, George O. Dwapanyin, Kylie R. Dunning, Kishan Dholakia & Erik P. Schartner
食品标签
酒精饮料 品质、结构与理化性质 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 红外/拉曼光谱数据由于行业内品牌替换和质量控制问题日益突出,对威士忌等高价值产品进行可靠鉴定至关重要。我们开发了一种新颖的框架,通过将机器学习模型与便携式拉曼设备相结合,无需人工干预即可直接从原始光谱数据中进行威士忌分析。我们证明,对于28个商业样品,机器学习模型在品牌或产品鉴定方面的准确率可超过99%。为了展示这种方法的灵活性,我们使用相同的算法来量化乙醇浓度,并测量加标威士忌样品中的甲醇含量。为了展示这些算法在实际环境中的潜在应用,我们通过原始威士忌酒瓶对光谱测量结果进行了算法测试。通过酒瓶进行测量之所以成为可能,是因为采用了一种迄今为止尚未与机器学习结合应用于威士忌品牌鉴定的光束几何结构。无需倒出酒液这一特点极大地提高了该技术的实用性和商业潜力,使其能够用于检测假冒或掺假的烈酒及其他高价值液体。本文所建立的技术旨在作为一种快速、非破坏性的初步筛选机制,用于检测伪造和篡改的烈酒,以补充更全面、更严格的分析方法。
-
基于机器学习与化学动力学辅助的白酒年龄鉴定:以浓香型白酒为例
查看原文2023
Food Research International
中科院一区JCR一区Qing-Ru Liu, Xiao-Juan Zhang, Lei Zheng, Lian-Jun Meng, Guang-Qian Liu, Ting Yang, Zhen-Ming Lu, Li-Juan Chai, Song-Tao Wang, Jin-Song Shi, Cai-Hong Shen & Zheng-Hong Xu
食品标签
酒精饮料 食品安全与风险评估 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
智能手机/其他 分类/鉴别/等级评定 质构/流变/感官数据陈年的中国白酒因其卓越的感官品质而备受推崇。然而,由于白酒的年龄鉴定方法和陈化机理阐述仍处于探索阶段,高品质陈年白酒常被低品质、陈化时间较短的产品通过欺诈性错误标签所替代。本研究采用气相色谱-质谱联用技术对正宗优质浓香型白酒进行了分析。结果表明,总酯含量随陈化而减少,而酸、醇、醛、酮、萜烯和吡嗪类物质含量增加。尽管部分化合物的浓度在陈化过程中呈现非单调性变化,但观察到白酒均匀度指数(0.55–0.59)与陈化时间之间存在密切的正线性相关性(R2 = 0.7012),表明陈年白酒的组成更加均衡。通过相应反应物和产物浓度计算得到的每个酯化反应的反应商(Qc)趋近于相应的热力学平衡常数Kc。这一结果表明,热力学驱动的自发转化部分解释了陈化过程中的组成变化。此外,基于三种模型结合五种排序算法,建立了与陈化相关的特征选择方法和年龄鉴定方法。最终筛选出41个关键特征,包括36种化合物浓度、4个酯化反应Qc值和均匀度指数。基于神经网络并使用这41个输入特征的年龄鉴定方法能够准确预测白酒样本的年龄组(F1 = 100%)。这些发现加深了对白酒陈化机理的理解,并为白酒及其他蒸馏酒的年龄鉴定提供了一种新颖、有效的方法。
-
基于紫外、近红外和荧光光谱结合化学分析,识别同一品牌的酒类
查看原文2023
Food Chemistry
中科院一区JCR一区Miao He, Xiaolong Chen, Jing Zhang, Jiawei Li, Dong Zhao, Yang Huang, Dangquan Hu, Xiaogang Liu & Changjun Hou
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
支持向量机 主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据精准识别同一品牌下的各类白酒,对于维护消费者权益和市场经济秩序具有重要意义。本文基于紫外光谱、近红外光谱及多维荧光光谱技术,研究了白酒的光谱特征;再将光谱特征与线性判别分析、支持向量机、反向传播神经网络等化学计量学方法相结合,实现不同白酒的区分鉴别。为提升白酒鉴别准确率、灵敏度与特异度,研究引入三种酸响应型量子点作为新增维度,构建了四维荧光光谱数据阵列。结合中层数据融合策略,该方法对同一品牌白酒的鉴别准确率、灵敏度、特异度分别可达99.17%、99.15%、99.96%。此外,基于MATLAB应用设计器开发了自动化分析平台,有效提升了光谱数据建模分析的效率。