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
-
基于正构烷烃图谱及化学计量学分析鉴别猪油与其他动物脂肪
查看原文2023
Food Research International
中科院一区JCR一区Nur Ain Syaqirah Sapian, Muhammad Aidilfitri Mohamad Roslan, Amalia Mohd Hashim, Mohd Nasir Mohd Desa, Murni Halim, Yanty Noorzianna Abdul Manaf & Helmi Wasoh
食品标签
植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 质构/流变/感官数据食品生产中猪油与其他脂肪和油的掺假影响着经济、宗教和健康等多个方面。以往研究主要基于脂肪的主要成分(如甘油三酯和脂肪酸)来鉴别猪油。本研究旨在通过气相色谱-质谱法建立的正构烷烃图谱来区分猪油与其他动物脂肪(牛油、鸡油和羊油)。主成分分析和层次聚类分析能够对猪油与其他动物脂肪进行初步聚类。使用随机森林和偏最小二乘判别分析获得了良好的结果。统计模型提出二十四烷(C24)作为一个潜在的正构烷烃标志物,并且发现C24是主要的烷烃,其含量占鉴定出的总烷烃的15.72%(GC-MS数据)。基于这一发现,未来可针对广大油脂消费者的兴趣,尤其是在化学计量学分析应用方面,探索更多有意义的研究。
-
通过表面增强拉曼光谱(SERS)结合深度学习模型,对玉米油中微量的玉米烯酮进行无标记检测
查看原文2023
Food Chemistry
中科院一区JCR一区Jiaji Zhu, Xin Jiang, Yawen Rong, Wenya Wei, Shengde Wu, Tianhui Xiao & Qiansheng Chen
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 随机森林 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据采用表面增强拉曼光谱(SERS)结合深度学习模型开展玉米油中玉米赤霉烯酮(ZEN)的检测研究。首先,合成金纳米棒作为表面增强拉曼光谱基底;其次,对采集的表面增强拉曼光谱数据进行增广处理,以提升回归模型的泛化能力;最后,构建偏最小二乘回归(PLSR)、随机森林回归(RFR)、高斯过程回归(GPR)、一维卷积神经网络(1D CNN)和二维卷积神经网络(2D CNN)共五种回归模型。实验结果表明,一维卷积神经网络与二维卷积神经网络模型的预测性能最优,其中预测集决定系数分别为0.9863、0.9872,预测集均方根误差分别为0.2267、0.2341,相对分析误差分别为6.548、6.827,检出限分别为6.81×10⁻⁴ μg/mL、7.24×10⁻⁴ μg/mL。由此可见,该研究建立的方法可为玉米油中玉米赤霉烯酮的检测提供一种超灵敏且高效的技术方案。
-
食用油的电化学研究:实验、电特征及掺假花生油的监督学习案例研究
查看原文2023
Food Chemistry
中科院一区JCR一区Anoop C. Patil, Ana Fernández la Villa, Arjun Kesav Mugilvannan & Untzizu Elejalde
食品标签
植物油 食品安全与风险评估 理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定传统表征食用油的常规方法,如化学分析法、色谱法及光吸收技术,操作繁琐、成本高昂且设备体积庞大、不易落地应用。本文采用电化学阻抗谱技术对13种食用油开展研究,提出一种无需样品前处理、可快速且稳定表征食用油电学特性的新方法。该方法通过交变电场探测食用油,捕捉各类食用油特有的电学响应特征。经主成分分析可有效区分食用油种类,并构建具有重复性的特征变化规律,以此作为食用油的电学特征指纹。将该检测数据应用于掺假花生油实例研究中,采用分批留一法的有监督机器学习算法实现掺假比例定量检测。4组测试批次的平均绝对误差为2.18~3.27,决定系数R²为0.975~0.991。本研究为食用油的电化学检测研究提供了范例,有望开发便携式实用检测装置,实现食用油及掺假油品的现场快速检测。
-
基于风味组学和机器学习解析关键香气成分与浓香花生油感官特性之间的关系
查看原文2023
Food Chemistry: X
中科院一区JCR一区Binfang Hu, Chunhua Zhang, Baijun Chu, Peishan Gu, Baoqing Zhu, Wenchao Qian, Xiaomin Chang, Miao Yu, Yu Zhang & Xiangyu Wang
食品标签
植物油 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法 风味组学计算机标签
偏最小二乘法 随机森林 分类/鉴别/等级评定 定量预测/回归分析 组学数据通过结合风味组学和机器学习筛选了33种不同香气类型的浓香花生油的关键香气成分。共鉴定出108种挥发性化合物,其中100种被准确定量,38种化合物的香气活性值≥1。33种花生油呈现出新鲜花生、烤坚果、烧焦、过度烧焦、甜味、花生酱、膨化食品和异味的不同强度,可分为四种香气类型:生香、淡香、浓香和咸香。偏最小二乘回归分析、随机森林和分类回归树揭示,2-乙酰基吡嗪对新鲜花生风味有负面影响,并能很好地区分生香样品;2-甲基丁醛和4-乙烯基愈创木酚是烤坚果风味的关键化合物,在浓香和生香样品中存在显著差异(P<0.0001);糠醛对膨化食品风味有贡献,同时也是咸香风味的关键化合物。
-
基于共聚焦拉曼光谱与化学计量学的混合油原位定量分析
查看原文2022
Food Control
中科院一区JCR一区Desheng Fan, Wei Huang, Timon Cheng-yi Liu, Xian Zhang, Wangfang Li, Xuhui Gao, & Yaoyong Meng
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/拉曼光谱数据调和油的定量标识已成为保障市场品质安全的关键环节。此外,调和油开封后若需进行大批量检测,会严重损害诚信商家的利益;然而,针对此类场景的调和油快速精准定量检测方法目前仍较为缺乏。本研究旨在探究共聚焦拉曼光谱技术结合多元统计方法,对未开封三元调和油开展定性与定量分析的可行性。研究选取四种植物油(特级初榨橄榄油、玉米油、菜籽油、葵花籽油)及 198 组三元调和油样品,采用共聚焦拉曼光谱技术分别结合判别分析与偏最小二乘回归法进行分析。对比竞争性自适应重加权采样等变量筛选方法,投影重要性变量法(VIP) 可获得更优的分析准确度。最优预测模型测试集的决定系数(R2)达0.9992,均方根误差(RMSE)仅为1.029%。通过对共聚焦拉曼光谱检测点位的优化研究,本方法可直接采集到聚对苯二甲酸乙二醇酯(PET)瓶装调和油的纯净拉曼光谱信号,且对调和油中各组分具备良好的定量分析能力。