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
-
利用表面增强拉曼光谱结合化学计量学快速鉴别小坑绿茶地理来源
查看原文2024
LWT
中科院一区JCR一区Yingqi Chen, Shiya Gan, Xiaoyi Zhao, Lei Zhao, Tong Qiu, Qing Jiang, Mengxuan Xiao, Luqing Li, Yan Song, & Qianying Dai
食品标签
茶/茶饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 随机森林 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据小坑绿茶(XKGT),以其产地命名,由于其优质特点为该地区带来了高经济效益,但也易受到欺诈。在本研究中,选取安徽省不同产地的131份烘青茶作为样品,研究表面增强拉曼光谱(SERS)结合化学计量学在狭窄区域内准确辨别绿茶产地的能力。首先,制备球形银纳米颗粒(AgNPs)作为SERS基底。采用分层五折交叉验证方法对建模样品进行划分。建立径向基函数神经网络(RBFNN)、卷积神经网络(CNN)和随机森林(RF)模型,并比较四种不同的预处理方法。结果表明,以归一化作为预处理方法的优化RBFNN模型在区分小坑茶区样品与其他茶区样品方面,预测集的平均准确率为97.69%。该RBFNN模型进一步用于区分安徽省内四个不同产地的茶样,分别为小坑村(XK)、池州市(不含小坑村)(CZ)、六安市(L'A)和黄山市(HS),预测集的平均准确率为91.85%。这些发现表明,将SERS与化学计量学结合,在狭小区域内鉴别小坑高山茶(XKGT)的地理来源具有潜力。
-
特征和探索加工过程中藤茶挥发性化合物动态变化的GC-IMS和HS-SPME/GC-MS结合机器学习算法
查看原文2024
Food Chemistry
中科院一区JCR一区Qianqian Li, Chaoyang Zhang, Wei Liu, Bei Li, Shengfan Chen, Huawei Wang, Yi Li, & Jianxun Li
食品标签
茶/茶饮料 其他加工技术 其他品质相关性质 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据必须研究藤茶在加工过程中挥发性成分的动态变化,以便为茶叶质量评估提供指导。在本研究中,通过气相色谱-离子迁移谱(GC-IMS)和高效液相色谱-固相微萃取/气相色谱-质谱联用(HS-SPME/GC–MS)技术,对葡萄茶加工过程中的挥发性化合物的动态变化进行了表征。结果表明,通过这两种技术共鉴定出了 103 种挥发性化合物,其中有 3 种化合物是两者共有的。采用随机森林方法建立了模型,并探究了关键的挥发性化合物。共探究了 23 种关键化合物,其中 13 种来自 GC-IMS,10 种来自 HS-SPME/GC–MS。此外,通过两两模型进行 100 次交叉验证,所建立模型的受试者工作特征曲线下面积均为 1。此外,本研究为葡萄茶的定向加工和质量控制提供了理论支持。
-
工业食品质量与消费者选择:基于人工智能的工具在舒适食品(咖啡、可可和茶)感官化学中的应用
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Eloisa Bagnulo, Giulia Strocchi, Carlo Bicchi & Erica Liberto
食品标签
茶/茶饮料 咖啡饮料 巧克力及含可可制品 品质、结构与理化性质 食品安全与风险评估 感官科学与消费者研究 特征风味 组学与高通量技术计算机标签
组学数据 质构/流变/感官数据背景:食品质量是一个多维度、不断发展的概念,涵盖生产全产业链的各个环节。为契合这种外延拓宽的质量定义,行业研究正从传统分析手段转向综合性研究策略。
研究范围与方法:食品组学重点关联食品化学成分与感官特性,对于咖啡、可可、茶这类主打食用愉悦感而非营养价值的休闲饮品而言至关重要。在食品组学研究中,规模更大、复杂度更高的数据集需要依托人工智能工具来解析其中隐藏的信息。
核心研究发现与结论:全球咖啡、可可、茶叶供应链包含大量小型农场,这些农场易遭受社会政治动荡与气候变化带来的冲击。利益驱使催生各类食品造假行为,进而引发不正当竞争、消费者信任流失以及食品安全隐患。人工智能工具能够深化数据解读、助力科研积累,但目前仍存在诸多难题:学界与产业界发展脱节、可用于人工智能建模的产业样本稀缺、相关专业人才培养存在短板、算法体系繁杂,以及模型决策逻辑易被误读。 -
长程红外吸收光谱和快速质谱,用于快速在线测量红茶发酵中挥发性有机化合物
查看原文2024
Food Chemistry
中科院一区JCR一区Chongshan Yang, Leizi Jiao, Chunwang Dong, Xuelin Wen, Peng Lin, Dandan Duan, Guanglin Li, Chunjiang Zhao, Xinglan Fu, & Daming Dong
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 传统统计分析与回归计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据 组学数据发酵是决定红茶品质的关键过程。传统的物理和化学分析耗时,无法满足在线监测的需求。现有快速检测技术无法确定发酵不同阶段产生的特定挥发性有机化合物(VOCs),导致模型可迁移性较差;因此,当前红茶发酵程度主要依赖茶师的感官判断。本研究采用了质子转移反应质谱(PTR-MS)和 傅里叶变换红外光谱结合不同注射方法采集样品中的VOCs,明确了特定VOC变化规则,并在主成分分析(PCA)后建立了极致学习机(ELM)模型,预测准确率分别达到95%和100%。最后,根据各自的优势,讨论了这两种技术在实际红茶生产中的应用场景。
-
基于近红外光谱结合协作区间偏最小二乘法和遗传算法追踪恩施玉露鲜叶地理来源的高效方法
查看原文2024
LWT
中科院一区JCR一区Shengpeng Wang, Lin Feng, Panpan Liu, Anhui Gui, Shiwei Gao, Jing Teng, Fei Ye, Zixiang Jiang, Xueping Wang, Jinjin Xue, Zhiyu Song, & Pengcheng Zheng
食品标签
茶/茶饮料 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据本文应用近红外光谱(NIRS)和多种化学计量学方法高效区分鲜茶叶的产地。关键成分通过偏最小二乘判别分析(PLS-DA)方法获得。使用PLS、协同区间PLS(siPLS)、主成分分析(PCA)、遗传算法(GA)及其组合方法建立了NIRS无损判别模型。随后,使用外部样品验证了实际应用。研究确定了九个关键成分(投影变量重要性(VIP)>1):表没食子儿茶素、表儿茶素、总糖、水提物、总儿茶素、没食子儿茶素没食子酸酯、茶多酚、没食子儿茶素和表没食子儿茶素没食子酸酯。在六种近红外光谱(NIRS)模型中,使用37个光谱数据点的siPLS-GA模型产生了最佳结果(Rp² = 0.9706, RMSEP = 0.0772, RPD = 6.59)。该模型对预测集样品的预测准确率为96.67%,对外部样品的预测准确率为93.33%。它提供了一种快速、精确且无创的方法来监测和规范鲜茶叶的非法贸易,从而保证恩施玉露产品的加工来源的真实性,并促进恩施玉露茶产业的长期繁荣与稳定。