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
-
成本效益高且灵敏的指示置换阵列(IDA)检测法,用于红茶发酵质量监测
查看原文2023
Food Chemistry
中科院一区JCR一区Huiyan Jia, Wenxuan Yuan, Zhengyu Ren, Jingming Ning, Yong-Quan Xu, Yujie Wang & Wei-Wei Deng
食品标签
茶/茶饮料 过程监测与在线检测 其他理化与结构表征 发酵工艺与动力学 多酚与黄酮计算机标签
支持向量机 定量预测/回归分析本文研制了一种新型指示剂置换阵列(IDA)传感器,用于红茶发酵品质评价。基于苯硼酸与邻苯二酚可逆共价结合的原理,选取苯硼酸作为受体,实现与多酚类物质的靶向结合;以邻苯二酚紫和茜素红S作为反应指示剂。该指示剂置换阵列传感器对发酵茶样品具有灵敏的差异化响应,借助支持向量机(SVM)对发酵程度进行评价,准确率可达80.39%~88.00%。此外,通过指示剂置换阵列结合支持向量机回归模型,可精准预测发酵过程中的关键多酚组分,其中总多酚、总儿茶素、表没食子儿茶素没食子酸酯的预测偏差比分别为1.55~1.72、2.03~2.21、2.03~2.08。综上,所研制的指示剂置换阵列传感器可实现红茶发酵过程的原位品质监测,具备成本低廉、灵敏度高、检测快速等优势。
-
将比色传感器阵列结合可见光近红外光谱法应用于抹茶分类
查看原文2023
Food Chemistry
中科院一区JCR一区Qin Ouyang, Yanna Rong, Jiaqi Wu, Zhen Wang, Hao Lin & Quansheng Chen
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据抹茶粉因其极高的健康价值,被视作健康饮食中不可或缺的组成部分。本研究采用可见近红外(Vis-NIR)与比色传感器阵列(CSA)技术对抹茶等级进行鉴别。显色染料与抹茶挥发性成分发生反应,再通过可见近红外光谱采集相关信息,构建可见近红外-比色传感器阵列(Vis-NIR-CSA)检测体系。研究对比了三种线性分类模型与三种非线性分类模型,结果显示反向传播人工神经网络(BPANN)模型的鉴别效果最优,其校正集与预测集鉴别准确率分别达到99%和98%。研究结果表明,该传感器结合反向传播人工神经网络模型可有效应用于不同等级抹茶的等级鉴别。此外,本研究明确了不同等级抹茶挥发性成分的差异,并筛选出八种特征挥发性物质,进一步验证了传感器的鉴别结果。本研究为抹茶生产过程中的品质稳定性把控提供了一种科学且新颖的检测方法。
-
应用机器学习与¹H NMR化学指纹图谱鉴定红茶的产地、品种和加工方式
查看原文2023
Food Control
中科院一区JCR一区Chuanjian Cui, Yifan Xu, Ge Jin, Jianfa Zong, Chuanyi Peng, Huimei Cai, & Ruyan Hou
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
机器学习/统计学习 支持向量机 随机森林 K-近邻 分类/鉴别/等级评定 红外/拉曼光谱数据红茶的产地会影响其商品价值,且该品类极易成为食品欺诈的目标。本研究采用核磁共振(NMR)波谱技术,对采自中国(安徽、云南、福建、广东)、印度(大吉岭、阿萨姆)及斯里兰卡(康提)7 个红茶主产区的 219 份样品开展非靶向代谢组学分析。不同产地的红茶可依据茶树品种与加工工艺加以区分,其中咖啡因与丙氨酸被鉴定为品种差异性特征代谢物,茶黄素 - 3,3'- 双没食子酸酯与琥珀酸则为加工工艺差异性特征代谢物。研究采用多种机器学习算法构建红茶产地溯源模型,测试集准确率结果显示,非线性模型随机森林(92.7%)与支持向量机(91.8%)的鉴别性能优于线性模型线性判别分析(86.3%)与 K 近邻算法(86.3%)。随机森林模型筛选出 14 种红茶产地特征标记代谢物,包括咖啡因、苹果酸、赖氨酸及 β- 葡萄糖,并基于这些标记物绘制出产地化学指纹图谱。进一步验证表明,相较于加工工艺,茶树品种对红茶产地代谢指纹图谱的贡献度更高。本研究结果证实,氢核磁共振(¹H NMR)代谢组学技术结合机器学习方法,可作为构建红茶化学指纹图谱的有效工具,为红茶品质评估与产地欺诈检测提供技术支撑。
-
利用傅里叶变换红外光谱和质子转移反应质谱法检测掺假茶中的挥发性有机化合物
查看原文2023
Food Chemistry
中科院一区JCR一区Changshan Yang, Dandan Duan, Chunwang Dong, Chuanxia Li, Guanglin Li, Yunhai Zhou, Yifan Gu, Yachao Liu, Chunjiang Zhao & Daming Dong
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 风味组学计算机标签
分类/鉴别/等级评定 红外/拉曼光谱数据香气是评价茶叶品质的关键指标。不法商贩通常会向过期或劣质茶叶中添加香精以提升香气,从而谋取更高利润。传统理化检测方法耗时久、成本高。此外,近红外光谱、机器视觉等快速检测技术仅能检测茶叶中掺假的粉末状固体香精。本研究采用质子转移反应质谱(PTR-MS)与傅里叶变换红外光谱(FTIR)技术,对样品中的挥发性有机物(VOCs)进行检测,实现了对不同茶叶掺假液态香精的快速鉴别。质子转移反应质谱与傅里叶变换红外光谱的预测准确率分别达0.941和0.957以上,二者最低检出限均低于实际添加用量。本研究还结合两种技术的性能特征,探讨了其各自不同的应用场景。
-
基于Au-Ag的OHCs传感器结合深度学习CNN算法,用于定量茶叶中的thiram和吡美托肼
查看原文2023
Food Chemistry
中科院一区JCR一区Huanhuan Li, Xiaofeng Luo, Suleiman A. Haruna, Muhammad Zareef, Quansheng Chen, Zhen Ding & Yiyong Yan
食品标签
茶/茶饮料 化学污染物 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品中的农药残留检测已变得愈发重要。本文构建了一种将表面增强拉曼散射(SERS)与智能算法相结合的方法,用于茶叶中农药残留的快速、灵敏检测。以八面体氧化亚铜为模板制备出金-银八面体空心笼(Au-Ag OHCs),该材料凭借粗糙边缘与中空内部结构增强了表面等离子体效应,实现了农药分子拉曼信号的放大。随后,将卷积神经网络(CNN)、偏最小二乘法(PLS)与极限学习机(ELM)算法应用于福美双和吡蚜酮的定量预测。其中卷积神经网络算法对福美双和吡蚜酮的检测效果最优,相关系数分别为0.995、0.977,检出限分别达0.286ppb、29ppb。在茶叶样品检测中,该新建方法与高效液相色谱法(HPLC)的检测结果无显著差异(P>0.05)。综上,所建立的基于金-银八面体空心笼的表面增强拉曼散射技术可用于茶叶中福美双与吡蚜酮的定量检测。