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 1098 条结果
-
对大豆、豌豆、绿豆和普通豆类生物活性代谢物的比较分析:揭示其抗氧化特性的潜在变化
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
豆类与坚果(及籽类) 营养与生物功能 代谢组学 常量营养素(宏量) 其他植物化学物质计算机标签
机器学习/统计学习 随机森林 分类/鉴别/等级评定 组学数据这项研究显示,涉及大豆、绿豆、豌豆和普通豆类的九种豆类,基本营养素和代谢物化合物存在显著差异。代谢组学结果显示,组氨酸、脯氨酸、3-丙氨酸和菌丝素等代谢产物可用来鉴定不同的豆类。随机森林模型表明,氨基酸和脂肪酸可以作为特殊指标,在实际中区分不同类型的豆类。不同豆类间表达的代谢产物参与了多种途径,包括丙氨酸、天冬氨酸和谷氨酸代谢、精氨酸和脯氨酸代谢,以及嘌呤代谢。不同豆类的抗氧化活性显著不同,氨基酸、香豆素和多酚的含量也贡献了豆类的抗氧化活性。综合来看,这些结果将全面理解不同豆类中的代谢物,并为未来豆类应用提供理论指导。
-
引信1H NMR和拉曼实验数据,用于改进葡萄酒识别模型
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
酒精饮料 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
支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据本研究提出基于人工智能(AI)开发新的葡萄酒识别模型,应用于中层数据融合¹H NMR和拉曼数据。为此,采用了一种监督机器学习方法,即支持向量机(SVM),用于根据品种、年份和地理产地对葡萄酒样品进行分类。由于两者数据源之间的关联产生了高维输入空间,在SVM建模之前,采用了特征选择算法来识别每个葡萄酒分类准则中最相关的判别标记。所提数据处理策略使葡萄酒样本集在交叉验证和独立测试集上都能达到高达100%的准确率,并突出了1采用氢核磁共振和拉曼数据融合,而非使用单一来源数据区分葡萄酒品种和年份。
-
基于同位素和元素含量与人工神经网络关联,开发具有广泛适用性的蜂蜜识别模型
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
蜂蜜等天然糖 食品安全与风险评估 理化与结构表征 常量营养素(宏量)计算机标签
深度学习 分类/鉴别/等级评定蜂蜜掺假是一个全球性问题,由生产者、贸易商或商人追求的非法经济利益所驱动。可能不公平影响价格的伪造方法之一是错误地宣报植物来源和采收年份。因此,本研究旨在测试人工神经网络(ANN)应用在开发能够基于同位素和元素指纹评估蜂蜜植物来源和采摘年份的预测模型中的潜力。对于每个分类标准,都重点投入数据预处理阶段,以增强模型的预测能力。获得的分类性能(测试阶段准确率>86%)凸显了人工神经网络在蜂蜜鉴定中的高效性,以及将开发的分类器应用于大规模应用的可行性,尽管植物来源、地理来源和采集时间差异较大,仍能识别正确产地。
-
一种便携式的含铕复合物荧光测试纸结合智能手机分析,用于现场和目视检测食品样品中的曼科西布
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
水果/蔬菜与菌菇类/植物类 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 可见光/RGB/视频数据现场检测到食品样本中的曼科泽对食品安全具有巨大价值。一种红荧光的铕复合物(Eu-PYDC-Phen)已被制备并用作锰酸酶检测的荧光探针。优化后的探针悬挂表现出优异的探测性能,包括宽线性范围(0–0.24 mM)、低探测极限(65 nM)、快速响应(2分钟)和高选择性。此外,还精心设计了一个便携式检测平台,将基于Eu-PYDC-Phen的荧光试纸与智能手机颜色识别软件集成。这一创新平台实现了番茄、苹果和生菜中对曼科泽布的视觉和现场检测,实现了令人满意的回收率(90.34%至106.50%)。此外,基于层次聚类算法的机器学习技术整合有望进一步提升mancozeb检测的预测和决策效率。这项工作提供了一种经济、便捷且可靠的农产品农药现场检测策略,从而对食品安全做出了有意义的贡献。
-
利用纳米材料比色传感器阵列、HS-SPME-GC/MS结合化学计量策略,表征黑蒜挥发性风味特征
查看原文2024
Food Chemistry
中科院一区JCR一区食品标签
发酵食品及酱腌制品 感官科学与消费者研究 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
深度学习 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据本研究研究了结合嗅觉可视化以实现黑蒜风味表征的可行性。在黑蒜加工过程中,对挥发性有机化合物(VOCs)进行了分析,以筛选重要的差异性挥发性有机化合物。随后开发了多通道纳米复合材料CSA,结合两个多孔金属有机框架,用于表征黑蒜加工过程中的风味特征变化,并将加工过程中的大蒜样品分为五个簇,符合挥发性有机物分析结果。人工神经网络(ANN)模型在区分处理阶段表现优于其他模式识别方法。此外,预测值相关系数为0.8919的SVR气味感官评分模型表现优于PLS模型,显示气味质量的预测能力更佳。这项工作表明,结合适当的化学计量学的纳米复合材料CSA可以成为客观且快速表征黑蒜或其他食品基质风味质量的有效工具。