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 122 条结果
-
解开欧洲茶园的元素特征:对茶叶可追溯性的启示
查看原文2024
Food Chemistry
中科院一区JCR一区Federico Girolametti, Anna Annibaldi, Silvia Illuminati, Elisabetta Damiani, Patricia Carloni, Behixhe Ajdini, Matteo Fanelli, & Cristina Truzzi
食品标签
茶/茶饮料 传统统计分析与回归 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/等级评定本研究全面分析了多个欧洲花园中茶叶的元素特征,重点关注关键及潜在有毒微量元素在茶园加工和选址过程中的生物积累。样本采集自欧洲多个花园,包括葡萄牙、亚速尔群岛、德国、荷兰和瑞士。对新鲜茶叶、干叶以及用于制作绿茶和红茶的叶片进行了元素分析,同时还采集了茶树根区的土壤样本。结果显示,茶叶加工过程中元素含量没有显著差异。然而,在不同欧洲地区花园中种植的茶叶中观察到了明显的元素特征。利用化学计量和机器学习工具,研究强调了这些元素谱在提升茶叶产品可追溯性的潜力。
-
利用光谱视觉识别和分类茶叶中的杂质
查看原文2024
LWT
中科院一区JCR一区Yuchen Guo, Ziru Yu, Xiangyang Yu, Xiaoqing Wang, Yefan Cai, Weibin Hong, & Wei Cui
食品标签
茶/茶饮料 食品安全与风险评估 显微与成像技术计算机标签
支持向量机 缺陷/异物检测与定位 高光谱/多光谱光谱 可见光/RGB/视频数据从普洱茶中去除杂质是其加工中的一个重要步骤。然而,现有方法无法准确高效地对普洱茶中的杂质进行分类。本研究提出了一种基于光谱成像技术的新方法来识别普洱茶中的杂质。在400 - 1000 nm波长范围内获取了茶叶及杂质的高光谱图像。从高光谱图像中提取各类别样品的光谱,并进行了综合分析和处理,主要包括异常值检测与剔除、光谱预处理以及特征波长选择。基于全光谱数据和特征波长数据建立支持向量机(SVM)模型,以实现高光谱图像的像素级分类。结果表明,基于全光谱的最佳模型在测试数据集上的准确率达到了97.8%。基于逐次投影算法和遗传算法选择的特征波长的最佳模型的准确率分别为95.9%和94.9%。最后,将这些像素分类模型应用于测试样品,以检验模型在识别杂质方面的有效性。结果表明,这三种选定的模型能够有效识别杂质,甚至在识别不熟悉类别的杂质方面也表现良好。
-
结合拉曼光谱的Multi-AdaBoost模型快速鉴别白牡丹茶的地理来源
查看原文2024
Current Research in Food Science
中科院一区JCR一区Wei Pan, Wenjing Liu & Xiujuan Huang
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
支持向量机 梯度提升决策树 分类/鉴别/等级评定 红外/拉曼光谱数据Multi-AdaBoost在光谱分析中潜力巨大,尤其当它与弱分类器结合并经过训练成为强分类器时。鉴于不同产区白牡丹茶品质存在差异,研究引入了拉曼光谱结合Multi-AdaBoost模型这一新颖方法来分析白牡丹茶的产地。首先,收集了福建省四个不同产地的白牡丹茶拉曼光谱,分别是福安(FA)、福鼎(FD)、政和(ZH)和松溪(SX)。研究采用决策树(DT)和支持向量机(SVM)作为拟合分类器,构建了Multi-AdaBoost-DT和Multi-AdaBoost-SVM模型。结果显示,与DT模型相比,Multi-AdaBoost-DT模型对FA、FD、ZH和SX产地的识别率有显著提升,平均识别率从86.46%提高到91.67%。相比之下,Multi-AdaBoost-SVM模型中FA和SX产地的识别率保持不变,这是由于该模型已达到局部最优。FD产地的识别率从91.67%提高到95.83%,提升显著;ZH产地的识别率从83.33%上升到87.50%。平均识别率从92.71%提高到94.79%。此外,Multi-AdaBoost-SVM和Multi-AdaBoost-DT还提高了判别结果的灵敏度和特异性。这些结果证实了所提出的Multi-AdaBoost-SVM模型在鉴别白牡丹茶产地方面的有效性。而且,Multi-AdaBoost模型在提高弱分类器的判别准确性方面显示出潜力,这对其在食品真伪鉴别和质量控制中的应用是个好兆头。
-
一种用于评估黑茶发酵程度的改进3D-SwinT-CNN网络
查看原文2024
Food Control
中科院一区JCR一区Fengle Zhu, Jian Wang, Yuqian Zhang, Jiang Shi, Mengzhu He & Zhangfeng Zhao
食品标签
茶/茶饮料 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 分类/鉴别/等级评定 组学数据发酵是形成红茶风味品质的关键工序,但在红茶加工过程中准确评估发酵程度具有较大难度。本文提出了一种改进的3D-SwinT-CNN网络,用于对红茶高光谱图像进行端到端处理,以评估其发酵程度。该模型融合了空洞卷积(dilated convolution)与移位窗口自注意力机制(shifted window self-attention mechanism),有效扩展了网络的感受野,能够同时捕捉红茶高光谱图像的局部空-谱特征和全局特征。在测试集上的分类准确率达到98.13%。与传统人工特征提取方法相比,准确率提升了3.45%;相较于基础的3D-CNN模型,所提出的3D-SwinT-CNN在空-谱特征提取能力上表现更优,平均准确率提高了10.17%。此外,本文还通过消融实验进一步验证了所引入模块的有效性。所提出的3D-SwinT-CNN模型旨在为红茶发酵程度的在线评估奠定研究基础。
-
利用化学计量学分析GC-MS指纹图谱对伊朗红茶的挥发性成分进行全面表征
查看原文2024
Food Chemistry: X
中科院一区JCR一区Adineh Aminianfar, Mohammad Hossein Fatemi & Fatemeh Azimi
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 组学数据红茶是一种广受欢迎的非酒精饮料,以其独特的香气闻名,且因其复杂的成分受到了广泛关注。然而,伊朗红茶的化学组成仍在很大程度上未被探索。在这项研究中,首先采用顶空固相微萃取结合气相色谱-质谱联用(HS-SPME-GC-MS)技术,对来自伊朗北部四个地理区域主要产茶区的红茶样品进行了分析,以分离、鉴定和定量其挥发性有机化合物。随后,我们运用一种可靠的研究策略,首次将著名的多元曲线分辨率-交替最小二乘(MCR-ALS)方法作为解卷积技术,来分析红茶样品复杂的GC-MS峰簇。这种方法有效解决了严重的基线漂移、峰重叠和背景噪声等问题,能够识别出导致不同样品具有独特风味和口感的微量成分。MCR-ALS技术显著提高了光谱和洗脱图谱的分辨率,实现了对茶叶成分的定性和半定量分析。定性分析包括将解析出的峰图谱与理论光谱以及保留指数进行比较,而半定量分析则采用整体体积积分(OVI)方法对挥发性化合物进行分析,使峰面积与浓度之间的相关性更准确。在GC-MS分析中应用化学计量学工具后,四个红茶样品中已识别出的成分数量从54种增加到256种,且所有成分的浓度均超过0.1%。其中,32种挥发性化合物在每个红茶样品中都存在。烃类(包括烯烃、烷烃、环烷烃、单萜和倍半萜)、酯类和醇类是三大主要化学类别,占挥发性化合物总相对含量的78%。对四个不同地区的红茶进行分析后发现,它们不仅在挥发性成分上存在差异,在相对比例上也有所不同。这种综合方法全面揭示了伊朗红茶的挥发性化学组成,增进了对不同地理来源的伊朗红茶独特特性的了解,并为其品质提升奠定了基础。