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 2456 条结果
-
基于感官偏置自编码器实现食物流变学对质地感知的预测
查看原文2025
Food Research International
中科院一区JCR一区Paul M. Kraessig, Shyamvanshikumar P. Singh, Jiakai Lu & Carlos M. Corvalan
食品标签
质构与流变性质 感官评价与方法学 质构与流变测试计算机标签
其他深度学习结构 定量预测/回归分析 小规模数据集理解食物的物理特性如何影响感官感知仍然是食品设计中的一个关键挑战。本文提出了一种创新的机器学习策略,用于解码液态食品的非牛顿流变特性与其感知质地之间的复杂关系。我们方法的一个独特且关键的方面是在训练过程中将感官评分作为解码器偏置引入自编码器神经网络。这使得自编码器能够有效识别剪切稀化特性与感知厚度之间的非线性、非单射关系,即使是在小型数据集上训练也是如此。该策略通过帮助设计精心定制的感官体验,为推进食品产品开发提供了一种有前景的途径。
-
啤酒中二甲硫醚的顶空分析:基于纸基的智能手机比色法
查看原文2025
Food Chemistry
中科院一区JCR一区Jamilly B. Santiago & Fortunato B. Sevillanill
食品标签
酒精饮料 品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 定量预测/回归分析 可见光/RGB/视频数据啤酒是全球最受欢迎、最广泛消费的饮品之一。在酿造和发酵的生产过程中,自然的独特风格和固有风味被产生。二甲基硫化物(DMS)对啤酒的风味特征有显著贡献。在低浓度时,其存在是理想的。然而,在高浓度时,这种味道会变得异常。啤酒中DMS的浓度通过智能手机比色法测量。一种基于纸张的分析装置(PAD)通过将碱性硝基醇(Nitroprusside)制成的色生成试剂相固定在明胶水凝胶中。通过头间取样及随后与固定试剂的反应,检测到低水平的DMS。通过捕捉PAD的数字图像,利用RGB色彩值确定浓度。在5至120微克DMS L浓度范围内,绿色色值(G值)观察到线性行为−1,皮尔逊系数为0.995,检测极限为2.7微克升−1.展示了高精度和准确性,RSD范围为0.79%至1.36%(n=6),真实性值分别在92.5%至104.4%之间,也满足AOAC对低水平分析物的要求。基于智能手机的比色法结果与拉格和全麦芽啤酒样品中DMS的色谱分析结果高度吻合。该方法是气相色谱法的廉价替代方案,用于DMS测量,使小型酿酒厂和精酿啤酒生产者能够监测产品中的异味。
-
使用近红外光谱的SELECT-OLS校准模型在各种植物油中进行稳健脂肪酸定量:跨羟基酪醇补充和深度油炸条件的统一方法
查看原文2025
LWT
中科院一区JCR一区Taha Mehany, José M. González-Sáiz, & Consuelo Pizarro
食品标签
植物油 品质、结构与理化性质 传统热加工 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据本研究旨在开发一种统一、可靠且具有成本效益的模型,用于量化食用油中的脂肪酸,以改善营养标签和热氧化稳定性。利用近红外光谱(NIRS)结合多变量校准,创建了简化光谱回归模型,以识别各种油中的关键脂肪酸标志物,包括特级初榨橄榄油(EVOO)、初榨橄榄油(VOO)、精炼橄榄油(ROO)、橄榄渣油以及向日葵油。对油脂在油炸前后、添加或未添加羟基酪醇(HTyr)的情况下进行了分析。通过变量逐步去相关(SELECT)方法改善了七种脂肪酸的回归模型:肉豆蔻酸、棕榈酸、棕榈油酸、硬脂酸、油酸、亚油酸和木蜡酸,相关系数(R)达到0.96-0.99。SELECT-普通最小二乘(OLS)回归提供了高度预测性的模型,使用了700个波长中的最多30个,所选的预测变量从5个(针对亚油酸)到30个(针对硬脂酸)不等,显示了对各种光谱模式的适应性。这些模型能够在不同的油炸条件下(170 - 210 °C/3 - 6小时)实时定量分析特级初榨橄榄油(EVOO)、初榨橄榄油(VOO)、精炼橄榄油(ROO)和葵花籽油,包括添加HTyr和未添加HTyr的样品。经过优化变量选择的近红外光谱法(NIRS)简化了分析过程并降低了成本,可替代气相色谱,实现无需样品制备的直接分析。模型表现出强大的预测性能,留一法(LOO)解释的方差高达85.81% - 98.16%,确认近红外光谱法是一种可行、快速、无损、环保的食用油定量分析方法。
-
儿童和人工智能能否成为基于全食物利用的学校餐食准备灵感来源?
查看原文2025
Food Quality and Preference
中科院一区JCR一区Fabrício Goulart, Voltaire Sant’Anna, Valérie L. Almli, & Gabriel Tolotti Maschio
食品标签
水果/蔬菜与菌菇类/植物类 感官科学与消费者研究 问卷/市场与消费者研究 其他方法计算机标签
大模型与 LLM 分类/鉴别/等级评定 文本/知识库/法规数据让孩子们参与学校膳食的制定工作,对于培养他们养成健康和可持续的饮食习惯非常重要。而充分利用食物资源则是避免食物浪费并增加营养摄入的有效方法。此外,人工智能(AI)已被证明是一个富有新创意的有趣来源,但尚未被用于设计儿童膳食。本研究的目的是评估由孩子们共同设计的膳食或由人工智能生成的膳食的潜力,并探究家长对于在孩子膳食中使用全食物的看法。在父母的潜在支持下,孩子们提出了利用全水果/蔬菜的食谱建议,随后由营养学家和学校厨师对这些建议进行了筛选。所选定的膳食与基于简单提示由 ChatGPT 生成的类似食谱在受欢迎程度和引发的情绪方面进行了比较。这两道菜都是胡萝卜派的变体,都由经验丰富的学校厨师制作。学校厨师还提出了第三道食谱作为对比。通过句子填空的方法,我们探究了家长们对于将全食物引入孩子饮食的看法。结果表明,孩子们既喜欢自家的食谱,也喜欢厨师们的食谱,但拒绝了 ChatGPT 提出的食谱。两位厨师和孩子们制作的胡萝卜派都引发了积极的表情符号组合,而 ChatGPT 制作的胡萝卜派则与带有负面含义的表情符号相关联。质地和陌生的味道被认为是导致拒绝的原因。对于家长们来说,将全水果/蔬菜引入孩子的饮食中被视为一个有益且营养丰富的想法,但同时也暴露出了安全方面的担忧。这项工作展示了与学校儿童共同设计以及全食物的利用作为减少营养资源浪费的可行策略。此外,该研究报告了通过任务导向的提示对 ChatGPT 的探索性使用未获成功。这可能表明在向人工智能提示时明确任务的背景非常重要,以弥补人类所隐含具备的背景信息。关于安全方面的担忧应当得到解决,以确保家长支持在学校餐中使用全蔬菜。
-
基于卟啉与 pH 指示剂配体组合的比色传感器阵列用于猪肉新鲜度实时监测与快速判定
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Baochen Huang, Kexin Zhang, Bridget Ama Kwadzokpui, En Han, Binbin Guan, & Hao Lin
食品标签
畜肉 颜色与外观品质 特征风味 光谱/色谱/质谱等分析方法 常规理化指标测定 其他植物化学物质计算机标签
偏最小二乘法 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 时序传感器/物联网数据本研究开发了一种比色传感器阵列,将 pH 指示剂与卟啉溶液结合,构建用于监测猪肉新鲜度的灵敏、稳定传感器。研究选择溴酚蓝、溴甲酚绿、溴甲酚紫和氯酚红四种 pH 指示剂,以检测猪肉腐败过程中产生的挥发性气体。通过提取灰度值量化颜色变化,并筛选 TPPNi、TPPMnCl 和 TPPCu 等多种卟啉与 pH 指示剂的相互作用。主成分分析用于确定卟啉溶液的最佳浓度。最终构建的传感器阵列将四种 pH 指示剂与筛选卟啉组合,使平均稳定性分别提高 21.94%、23.59%、28.84% 和 23.31%。傅里叶变换红外光谱验证了配位作用,理论计算用于解释稳定性提升的可能原因。研究将该阵列用于不同贮藏时间的猪肉样品,并基于灰度数据建立偏最小二乘回归模型预测新鲜度;3、7 和 15 天贮藏实验中阵列保色率分别为 99.02%、99.01% 和 98.84%。模型在不同批次猪肉样品新鲜度等级预测和传感器稳定性评估中平均准确率达到 98.89%(n = 30),显示其可作为快速、准确判别猪肉新鲜度的可靠工具。