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
-
基于挥发性化合物谱的橄榄油品种认证：HS-SPME-GC-MS与化学计量学方法的应用研究
查看原文
2022
Food Control
中科院一区JCR一区
Lorenzo Cecchi, Marzia Migliorini, Elisa Giambanelli, Anna Cane, Bruno Zanoni, Valentina Canuti, Nadia Mulinacci, & Fabrizio Melani
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 分类/鉴别/等级评定初榨橄榄油（VOO）的感官特性对消费者偏好具有显著影响。而这些特性同样受橄榄原料品种来源的制约，因此，建立一套可靠的初榨橄榄油品种溯源方法就显得尤为必要。然而，目前针对全球广泛种植的橄榄品种，仍缺乏能够有效区分其对应初榨橄榄油的鉴别手段，难以切实保障消费者与生产者的权益，杜绝掺假欺诈行为。本研究旨在构建化学计量学模型，实现对 9 个主流橄榄品种的单品种初榨橄榄油的精准判别。研究采用经验证的顶空固相微萃取 - 气相色谱 - 质谱联用技术（HS-SPME-GC-MS），对来自 4 个产季、多个产区的 320 份单品种初榨橄榄油样品中的 72 种挥发性化合物进行定量分析。通过方差分析（ANOVA）筛选出具有品种鉴别能力的挥发性有机化合物（VOCs），其中大部分均属于脂氧合酶代谢途径产物。所构建的偏最小二乘判别分析（PLS-DA）模型经验证表现优异，外部验证后的正确分类率高达 95.9%。研究进一步借助凝聚层次聚类法与相关性分析，将 9 个橄榄品种划分为 3 个类群；利用线性判别分析（LDA）与偏最小二乘判别分析模型对这 3 个类群进行分类验证，正确分类率达 94%。研究结果表明，不同品种初榨橄榄油的挥发性成分特征并非完全独立，特定品种组间呈现出显著的相似性，且这种相似性与原料的地理来源无关。综上，本研究建立的鉴别方法有助于打击初榨橄榄油市场的掺假欺诈行为，同时对提升单品种特级初榨橄榄油的市场价值具有重要意义。
-
基于GC-MS倍半萜烃指纹图谱的地理认证：验证欧盟及单一国家标签声明
查看原文
2022
Food Chemistry
中科院一区JCR一区
Beatriz Quintanilla-Casas , Berta Torres-Cobos, Francesc Guardiola, Maurizio Servili, Rosa Maria Alonso-Salces, Enrico Valli, Alessandra Bendini, Tullia Gallina Toschi, Stefania Vichi & Alba Tres
食品标签
植物油 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
偏最小二乘法 分类/鉴别/等级评定根据欧盟（EU）食品欺诈网络最新报告，橄榄油位列被通报问题食品首位。现行欧盟法规明确规定，初榨橄榄油必须标注地理来源，但目前仍缺失对应的官方分析检测方法。核查标签标注的欧盟产橄榄油合规性，应列为最高优先级工作。据此，本研究基于顶空固相微萃取 - 气相色谱 - 质谱联用技术（HS‑SPME‑GC–MS） 测得的 400 份样品倍半萜烃类化合物指纹图谱，构建偏最小二乘判别分析模型（PLS-DA），用于区分欧盟产与非欧盟产橄榄油。该模型外部验证（3 次重复迭代）的正确分类率达89.6%，灵敏度为 0.81，特异性为 0.95。此后，研究分别构建欧盟各成员国及非欧盟国家的多类别判别模型，并采用 3 组独立验证集完成外部验证，取得优良效果：欧盟产地模型平均正确分类率为 92.2%，非欧盟产地模型为 96.0%。
-
基于SERS结合化学计量学的粗棕榈油掺假检测
查看原文
2022
Food Chemistry
中科院一区JCR一区
Selorm Yao-Say Solomon Adade, Hao Lin, Hao Jiang, Suleiman A. Haruna, Alberta Osei Barimah, Muhammad Zareef, Akwasi Akomeah Agyekum, Nana Adwoa Nkuma Johnson, Md Mehedi Hassan, Huanhuan Li & Quansheng Chen
食品标签
植物油 化学污染物 光谱/色谱/质谱等分析方法计算机标签
K-近邻 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食用粗棕榈油（CPO）是广泛应用于食品、医药及家庭烹饪等多个行业的重要油脂。但近年来，不断有报道指出食用粗棕榈油存在被有害苏丹染料掺伪的问题。本研究采用表面增强拉曼光谱（SERS）结合化学计量学方法，在900–1800 cm⁻¹拉曼峰区间内对粗棕榈油中的苏丹染料掺伪进行检测。实验所检测粗棕榈油样品中，苏丹染料质量浓度范围为0.005–4 ppm。主成分分析（PCA）模型对粗棕榈油中苏丹 II与苏丹 IV的检测准确率分别达到 99.88% 和 99.90%。线性判别分析（LDA）与 K 近邻算法（KNN）同样实现了对粗棕榈油中苏丹 II、苏丹 IV 染料的高检出率。该传感器对苏丹 II、苏丹 IV 的检出限分别低至0.0028 ppm和0.0019 ppm。Au@Ag 核壳结构 SERS 传感器的检测性能可与高效液相色谱法（HPLC）相媲美。本研究证实，表面增强拉曼光谱结合化学计量学可用于食用粗棕榈油的真伪鉴别。
-
基于选择离子流动管质谱指纹图谱和化学计量学的特级初榨阿甘油认证
查看原文
2022
Food Chemistry
中科院一区JCR一区
Mourad Kharbach, Huiwen Yu, Rabie Kamal, Ilias Marmouzi, Katim Alaoui, Joeri Vercammen, Abdelaziz Bouklouze & Yvan Vander Heyden
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 支持向量机 分类/鉴别/等级评定 定量预测/回归分析特级初榨阿甘油（EVAO）因其营养价值与药用价值广受认可，却常遭遇掺假问题。研究采用选择离子流动管质谱（SIFT‑MS） 图谱，对特级初榨阿甘油中的掺假物（低品质阿甘油 LQAO、橄榄油 OO、葵花籽油 SO）进行定量分析，分别考察了H₃O⁺、NO⁺、O₂⁺· 三种试剂离子及三者数据融合后的四组数据集。研究采用软独立建模类比（SIMCA）、偏最小二乘判别分析（PLS‑DA）两种方法，对纯品特级初榨阿甘油与掺假样品进行判别分析；同时评估了 SIFT‑MS 结合偏最小二乘（PLS）、支持向量机（SVM）回归，用于定量检测特级初榨阿甘油中微量掺假物的有效性。研究还通过投影重要性变量（VIP）、区间偏最小二乘法（iPLS）筛选有效特征变量，并构建多种模型预测特级初榨阿甘油的真伪与掺假程度，均实现了较高的预测准确率。结果表明，SIFT‑MS 图谱结合适配的化学计量学工具，可有效用于特级初榨阿甘油的品质评价与掺假鉴别。
-
基于非靶向ATR-FTIR指纹与化学计量学检测初榨橄榄油与菜籽油、榛子油或红花油的三元混合物
查看原文
2022
Food Control
中科院一区JCR一区
Stella A. Ordoudi, Onur Özdikicierler, & Maria Z. Tsimidou
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 分类/鉴别/等级评定 红外/拉曼光谱数据目前，有关特级初榨橄榄油（EVOO）掺入三种未申报外源油脂复配体系的掺假检测研究在文献中鲜有报道。本研究旨在建立一种适用且高灵敏度的非靶向指纹图谱检测方法，该方法基于衰减全反射傅里叶变换红外光谱技术（ATR-FTIR）结合定性建模，用于检测标准掺假水平（体积分数 20%）下的油脂复配体系 —— 该体系由一种廉价不饱和油脂（红花籽油）与两种高油酸油脂（菜籽油、榛子油）复配而成。研究以自建的纯正特级初榨橄榄油光谱库作为参照数据源，在多元校正过程中，采用偏最小二乘判别分析（PLS-DA）与类软独立建模法（SIMCA）两种方法，对二阶导数 ATR-FTIR 光谱数据进行异常值筛查。对所得模型开展的逐步外部验证结果表明，该方法对高难度掺假案例（即掺入 5% 菜籽油与 15% 榛子油的样品）的检测灵敏度达 100%。考虑到不同产地、不同收获年份的纯正特级初榨橄榄油在成分上存在天然变异性，且本研究涉及的复配体系成分复杂，各模型仍表现出较高的综合预测能力，预测准确率均超过 92%。研究同时证实，该方法具备向更低掺假水平（体积分数 10%）拓展应用的潜力。
