类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 114 条结果
-
利用原位拉曼光谱实时监测不同类型食用油的煎炸质量
查看原文
2022
Food Control
中科院一区JCR一区
Rafael C. Castro, David S.M. Ribeiro, João L.M. Santos, & Ricardo N.M.J. Páscoa
食品标签
植物油 传统热加工 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
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/拉曼光谱数据食用油在高温环境下会发生多种化学反应，因此，建立一套快速、可靠、多参数、经济且环保的分析方法，对食用油品质进行实时监测具有重要意义。基于此，本研究聚焦拉曼光谱技术的应用，旨在对四种不同类型食用油（植物油、玉米油、花生油及葵花籽油）在 180℃条件下加热 16 小时的品质变化过程，开展原位实时监测。研究通过测定过氧化值、酸值及总极性化合物（TPC）三项指标，对食用油品质进行综合评估。实验共检测 68 个样本（每种食用油各 17 个），并采用主成分分析（PCA）和偏最小二乘（PLS）回归两种化学计量学方法，对采集的分析数据进行处理。研究以预测决定系数（R P2）、范围误差比（RER）及剩余预测偏差（RPD）为指标，对所构建的偏最小二乘模型的准确性进行评价。结果显示，该模型在酸值、过氧化值及总极性化合物检测中，分别取得了 12.8、9.3 和 16.5 的范围误差比值，以及 3.4、2.5 和 5.0 的剩余预测偏差值。所得结果的可靠性分析表明：用于酸值和总极性化合物检测的偏最小二乘模型，可直接应用于食用油的品质控制；而用于过氧化值检测的模型，仅适用于初步筛查。
-
gc-ims-tools：一种用于GC-IMS数据化学计量学分析的新型Python包
查看原文
2022
Food Chemistry
中科院一区JCR一区
Joscha Christmann, Sascha Rohn & Philipp Weller
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
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据气相色谱 - 离子迁移谱（GC-IMS）凭借高灵敏度与高分辨率，已成为用于复杂样品非靶向筛查的新兴台式分析技术。鉴于其在食品真伪鉴别等领域的广泛应用场景，亟需定制化的数据分析流程。此类流程需具备通用基础框架，涵盖文件输入 / 输出、预处理方法、探索性 / 有监督分析及可视化等核心功能。本研究开发了一款全新的开源、可完全定制的 Python 软件包，专门用于 GC-IMS 数据的处理与分析。以橄榄油产地分类为案例，验证了该工具的功能完整性与易用性；同时可视化呈现了关键预处理步骤、探索性 / 有监督数据分析及特征筛选过程。所有代码及详细文档均以开源形式免费发布，遵循 BSD 3-Clause 开源许可证协议，获取地址为：https://github.com/Charisma-Mannheim/gc-ims-tools。
-
利用LC-MS、GC-IMS与FGC-Enose技术的数据融合方法检测特级初榨橄榄油中的软精炼油：GC-IMS与FGC-Enose的致胜协同效应
查看原文
2022
Food Control
中科院一区JCR一区
Alessandra Tata, Andrea Massaro, Tito Damiani, Roberto Piro, Chiara Dall'Asta, & Michele Suman
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 风味组学计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 组学数据特级初榨橄榄油（EVOO）常被掺入精炼软化橄榄油（SROO）以造假。采用常规检测方法无法区分纯特级初榨橄榄油与它和精炼软化橄榄油的混合油，因此，已有研究考察了液相色谱 - 高分辨质谱联用技术（LC-MS）、气相色谱 - 离子迁移谱联用技术（GC-IMS） 以及闪蒸气相色谱 - 电子鼻技术（FGC-Enose） 的鉴别能力。本研究进一步探索将上述技术联用，以提升鉴别方法的分类性能。研究前期已借助正负离子模式液相色谱 - 质谱联用技术（LC-(+/−) MS）、气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术，对 43 份市售特级初榨橄榄油样品和 18 份特级初榨橄榄油掺精炼软化橄榄油的非法混合油样品完成检测。随后对上述四种检测数据集开展低水平数据融合与中水平数据融合处理，将融合得到的特征指纹图谱纳入偏最小二乘判别分析（PLS-DA），并提取其中信息量最大的特征变量，用于构建支持向量机（SVM）分类模型。研究人员计算并对比各项统计指标，筛选出最优分类模型。基于多数据集联用的偏最小二乘判别分析 - 支持向量机（PLS-DA-SVM）策略验证结果显示：经低水平数据融合后，两种气相色谱衍生技术联用模型的鉴别能力较单一技术有显著提升。这表明在进行偏最小二乘判别分析前对数据集进行融合，能更有效地提取高信息量特征变量，进而强化样本分组区分度与未知样本的鉴别准确率。相比单一的正离子模式液相色谱 - 质谱联用技术（LC-(+) MS） 检测矩阵，采用中水平与低水平数据融合法整合正负离子模式液相色谱 - 质谱联用技术的数据集后，在区分特级初榨橄榄油与掺假油方面的性能未表现出明显提升。四种技术数据集（正负离子模式液相色谱 - 质谱联用技术、气相色谱 - 离子迁移谱联用技术、闪蒸气相色谱 - 电子鼻技术）的低水平融合虽取得成功，但该方法操作繁琐，并不适用于工业化质量检测场景。本研究创新性地将多模态的正负离子模式液相色谱 - 质谱联用技术、气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术的检测数据进行融合，有效提升了鉴别模型的性能，为特级初榨橄榄油的真实性鉴别提供了新思路。其中，气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术的低水平数据融合方案取得了最为理想的鉴别效果。
-
基于高光谱成像和注意力卷积神经网络的单粒玉米油含量预测
查看原文
2022
Food Chemistry
中科院一区JCR一区
Liu Zhang, Dong An, Yaoguang Wei, Jincun Liu & Jianwei Wu
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
卷积神经网络 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱本研究提出一种基于注意力机制（A）的卷积神经网络回归（CNNR）模型，记为ACNNR，结合高光谱成像技术实现单粒玉米籽粒含油率的预测。研究过程中，采用反射式高光谱成像（HSI）系统采集单粒玉米籽粒胚面与非胚面的高光谱图像，对比了无注意力机制的 CNNR、ACNNR 及偏最小二乘回归（PLSR）三种模型的性能。针对 PLSR 模型，通过一系列光谱预处理与降维方法，最终确定最优的组合式 PLSR 模型；而 CNNR 与 ACNNR 模型仅以原始光谱作为输入。结果表明，胚面光谱更适用于构建回归预测模型；注意力机制可有效降低预测误差，使 ACNNR 模型表现最优，其预测决定系数达0.9198。综上，本研究提出的方法无需对原始光谱进行额外处理，且预测效果优良。
-
利用便携式近红外光谱仪鉴定芫荽籽油掺假
查看原文
2022
Food Control
中科院一区JCR一区
Karine Cristine Kaufmann, Klicia Araujo Sampaio, Juan F. García-Martín, & Douglas Fernandes Barbin
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 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据芫荽籽油是一种从芫荽籽中提取的植物油，其岩芹酸含量约占 70%。该植物油兼具抗炎与抗衰功效，因此被列为新型食品原料。由于具备上述特性且附加值较高，芫荽籽油与其他高市场价值的食用植物油一样，易成为掺假目标。为此，本研究旨在鉴别芫荽籽油的真伪，并检测其是否掺入棕榈液油、菜籽油、大豆油等市售植物油。研究采用主成分分析（PCA）法，通过 3 个主成分实现了对纯植物油基质的区分，这 3 个主成分累计解释了 87% 的变量差异。同时，利用线性判别分析（LDA）与 k 近邻算法（k-NN）对纯油样品及掺假芫荽籽油进行分类。针对掺入棕榈液油、大豆油、菜籽油的芫荽籽油样品所建立的偏最小二乘（PLS）回归模型，其决定系数（R2）分别达到 0.98、0.99 和 0.99；相对分析误差（RPD）介于 7.1~10 之间。这表明所建模型稳定性良好，可用于芫荽籽油加工过程中的质量控制。
