01 / 01

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
碳水化合物配料

标签记录(计算机学者)

暂无筛选

共 29 条结果

  • 通过机器学习辅助拉曼光谱直接估算单颗粒淀粉中的直链淀粉与支链淀粉

    2025
    Carbohydrate Polymers
    中科院一区
    JCR一区
    查看原文

    Imrul M. Hossain, N. Pooja, Sri Surya Charan Kondeti, Tatsuyuki Yamamoto, Nirmal Mazumder & Hemanth Noothalapati

    食品标签

    碳水化合物配料 光谱/色谱/质谱等分析方法 碳水化合物与糖类

    计算机标签

    偏最小二乘法 支持向量机 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

    淀粉是人类饮食中最重要的碳水化合物之一。测定直链淀粉和支链淀粉含量的传统方法既耗时又具有破坏性。本研究提出了一种将拉曼光谱与机器学习算法相结合的新方法,以直接估算单颗粒淀粉中的这些成分。利用多元曲线分辨率分析,我们从混合信号中提取了直链淀粉和支链淀粉的纯光谱轮廓。开发了偏最小二乘回归和支持向量回归模型来量化单个颗粒内直链淀粉和支链淀粉的相对比例。该方法能够实现快速的、非破坏性的分析,并提供单颗粒分辨率,为淀粉组成和结构提供了新的见解。

  • 塔拉胶掺假检测的综合理化与化学计量学分析

    2025
    LWT
    中科院一区
    JCR一区
    查看原文

    Valentina Vulpitta, Giuseppina Anna Corrente, Danilo Gaudio, Alessandro Lano, & Amerigo Beneduci

    食品标签

    碳水化合物配料 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 传统统计分析与回归 碳水化合物与糖类

    计算机标签

    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

    本研究调查了天然食用胶的组成和质量,重点关注在食品工业中常用的增稠剂--塔拉胶。尽管商业塔拉胶常被标注为"纯",但它可能掺有较便宜的替代品,如瓜尔胶、魔芋胶或黄原胶,从而导致其性质出现差异。为此,我们使用热分析(TGA, DSC)、光谱分析(FTIR)和黏度测量,对纯塔拉胶样品及含5%至25%其他胶的混合样品进行了分析。并使用先进的统计工具,包括多变量分析(MDVA)和分类模型(SIMCA及PLSDA),来识别这些样品的组成。分析结果显示,大多数未知样品的特征与纯塔拉胶相符,但少量样品显示出瓜尔胶或魔芋胶的痕迹。黄原胶在一些比较中被排除,因为它的强烈影响显著改变了混合物的性质,使其在统计模型中显得突出。SIMCA模型在Cooman图中识别出了边缘案例,提示可能存在低水平的掺假。总体而言,该研究提供了用于检测胶类掺假的有用工具,并支持食品工业中的更好质量控制。

  • 酸性植物蛋白强化纤维冰沙中摩擦学与涩感感知的关系研究

    2025
    Food Hydrocolloids
    中科院一区
    JCR一区
    查看原文

    Ben Kew, Xinyi Guo, Alice Heath, Kieran Tuohy, Anthony Buckley & Anwesha Sarkar

    食品标签

    其他果蔬制品/植物类 碳水化合物配料 蛋白质配料 质构与流变性质 感官评价与方法学 常规理化指标测定 质构与流变测试 其他理化与结构表征 蛋白质与氨基酸 碳水化合物与糖类

    计算机标签

    机器学习/统计学习 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 质构/流变/感官数据

    随着对环境可持续性的需求日益增加,人们对于在具有促进健康功效的富含纤维的水果饮料中加入植物蛋白产生了浓厚的兴趣。通常这类基质具有酸性特性,这给加入植物蛋白带来了挑战,还会导致诸如涩味等不良的质地问题,而这些在文献中并未得到充分的解释。本研究旨在了解摩擦学和流变学的特性如何能够帮助解释在 pH 值为 3.8 的纤维基基质(包括模型和真实的冰沙)中加入植物蛋白时的口感。十种不同的商业可用的分离植物蛋白(5%质量分数的蛋白溶液)表现出显著的聚集现象,其浓度接近等电点,在纤维基模型冰沙分散体(0.3%质量分数的果胶,0.8%质量分数的菊粉)中接近其等电点。特别地,模型冰沙的粘度跨越了三个数量级,其中许多(如果不是全部的话)表现出剪切稀化行为。植物蛋白表现出各异的摩擦耗散特性,其中一些经过测试的商业蚕豆蛋白、豌豆蛋白和鹰嘴豆蛋白浓缩物的表现优于行业标准,例如大豆蛋白分离物。模型奶昔在口感属性方面有效地模拟了真正的奶昔(11 名受过训练的评审员),表明植物蛋白影响着口感。皮尔逊相关性分析显示,在 10 毫米/秒的滑动速度下,摩擦系数与涩味强度评分之间存在很强的正相关关系(r > 0.8)。主成分分析清晰地根据其摩擦学-流变学-感官特征对样本进行了分类。具体而言,50 秒−1 时稳定剪切粘度较高以及边界层摩擦系数较高的样本倾向于聚集在一起,并与较高的涩味感知相关。因此,摩擦学证明是预测酸化植物蛋白饮料中涩味的一种有价值的工具,为寻求优化可持续饮料形式感官体验的配方师提供了见解。

  • 一种基于Transformer框架与生成式光谱增强的透明质酸发酵过程在线监测方法

    2025
    Carbohydrate Polymers
    中科院一区
    JCR一区
    查看原文

    Weilu Tian, Lixuan Zang, Yunyi Li, Cheng Peng, Jinhua Zhang, Huarong Shao, Ruiqing Xian, Ru Sun, Fei Liu, Haining Tan & Peixue Ling

    食品标签

    碳水化合物配料 过程监测与在线检测 其他品质相关性质 光谱/色谱/质谱等分析方法 发酵工艺与动力学 碳水化合物与糖类

    计算机标签

    深度学习 序列到序列/编码-解码 生成对抗网络 定量预测/回归分析 过程控制与实时优化 红外/拉曼光谱数据 合成/仿真数据为主

    在生物发酵生产透明质酸的过程中,对其分子量和浓度等关键质量属性进行准确、实时的在线监测对保障产品质量至关重要。本研究提出了一种创新的在线监测框架,以解决近红外光谱建模中面临的两个核心挑战:高质量标记样本稀缺以及发酵过程的非线性和动态复杂性。该框架集成了数据增强和深度学习技术。具体而言,采用具有梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)生成高保真度的合成光谱数据,显著扩充了校准数据集并增强了其多样性,从而提升了模型的鲁棒性和对批次效应的适应性。同时,针对传统线性模型(如偏最小二乘回归,PLSR)难以捕捉复杂非线性关系的局限性,以及常规深度学习模型(如1D-CNN、LSTM)在捕获长程依赖和全局特征方面的不足,本研究开发了一种改进的Transformer模型,利用其多头自注意力机制高效地从光谱中提取关键特征。实验结果表明,该集成框架在独立测试集上超越了传统的PLSR及其变量选择变体,以及常用的1D-CNN和LSTM模型,在预测准确性和泛化能力方面均表现出显著优势。这项工作为透明质酸生产提供了一种强大的智能质量监控解决方案,并为生物发酵过程的智能化推进做出了贡献。

  • 基于合成数据与深度神经网络的质构改良植物基奶昔感官感知属性预测研究

    2025
    Food Hydrocolloids
    中科院一区
    JCR一区
    查看原文

    Miodrag Glumac, Alejandro Avila-Sierra & Maryia Mishyna

    食品标签

    碳水化合物配料 乳清及乳清制品 其他品质相关性质 常规理化指标测定

    计算机标签

    其他深度学习结构 定量预测/回归分析 质构/流变/感官数据 合成/仿真数据为主

    本研究通过开发淀粉与乳清蛋白的共电纺工艺来解决颗粒淀粉固有的局限性,从而制造出具有增强界面性能的复合纳米纤维。淀粉提供结构刚性和pH稳定性,而乳清蛋白则赋予其表面活性。构建并验证了一个深度学习神经网络,用以系统地分析纺丝过程的形态行为,揭示了在纤维构筑上的协同效应。蛋白质的加入促进了完全的珠状到纤维状的转变,并可实现从142至581纳米的精确直径控制。可视化技术证实了蛋白质在碳水化合物骨架中的均匀分布。纺丝后热处理诱导氨基分解,有效减少蛋白质浸出并增强结构完整性。源自热激活复合纳米纤维的棒状颗粒展现出更高的油水界面活性,并形成了稳定的皮克林乳液。本研究利用可食用生物高分子来设计形态和表面性质,并通过深度学习引导的设计扩展了材料应用的边界。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号