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 2456 条结果
-
利用紫外诱导荧光图像与基于CACHAS的两步层级分类方法集成,快速检测特级初榨橄榄油掺假
查看原文2025
Food Chemistry
中科院一区JCR一区Wilson Botelho do Nascimento Filho, Francisco dos Santos Panero, Paulo Henrique Gonçalves Dias Diniz, Caroline Mesquita Magalhães da Silva & Mirla Janaína Augusta Cidade
食品标签
植物油 过程监测与在线检测 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 可见光/RGB/视频数据本研究引入了一种新颖的环保型两步分级分类方法,结合紫外线诱导荧光图像,用于鉴定特级初榨橄榄油(EVOO),并检测精制大豆、菜籽油和葵花籽油的单独及同时掺假情况。开发了一种化学计量辅助彩色直方图分析系统(CACHAS),用于捕捉数字荧光图像并在灰度、RGB和HIS通道中提取分析指纹。采用了针对单类别分类优化的数据驱动软独立分类建模(DD-SIMCA),以99.8%的样本效率认证纯特级初榨橄榄油;而为多类别区分设计的偏最小二乘判别分析(PLS-DA)则基于一种、两种或三种精炼植物油的存在,以95.6%的准确率区分掺假样本。这些方法的互补应用使数据集能够稳健地评估,DD-SIMCA侧重验证真实样本,PLS-DA则增强了多类别中掺假样本的辨别能力。
-
一种智能手机辅助的二维Cd-MOF混合基质膜,能够实现抗生素和农药的视觉和现场定量感测,以保障食品安全
查看原文2025
Food Chemistry
中科院一区JCR一区Mingyuan Lei, Xuze Pan, Mengying Liu & Qingfu Zhang
食品标签
化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品污染是当前全球关注的问题,因此快速且准确的定量检测对确保食品安全至关重要。本研究通过掺入稳定的二维发光镉-基质膜{[Cd“,制成了基于MOF的混合基膜(1@PMMA2(左)2(DMSO)2]·2DMSO}n (1) (H2L = 5-(4-(吡啶-4-基)苯甲酰胺-1,3-二二酸),形成柔性聚甲基丙烯酸甲酯(PMMA)基质。所得的1@PMMA表现出对硝呋酮(NFZ)和2,6-二氯-4-硝基苯胺(DCN)的灵敏、强抗干扰、可回收和视觉检测能力。此外,开发了一种便携式智能手机辅助传感平台,将发光的1@PMMA与智能手机联用,实现对NFZ和DCN的视觉和现场定量检测。该工作提供了一个便携且智能的传感平台,用于食品样本中抗生素和农药残留物的目视及现场定量检测,展现了食品安全监测和质量控制的显著潜力。
-
基于机器学习模型和栽培验证评估唐古特大黄的生态质量
查看原文2025
npj Science of Food
中科院一区JCR一区Bo Wang, Feng Xiong, Jianan Li, Lingling Wang, Xue Yang & Guoying Zhou
食品标签
其他果蔬制品/植物类 品质、结构与理化性质 理化与结构表征计算机标签
随机森林 K-近邻 梯度提升决策树 定量预测/回归分析 质构/流变/感官数据 中等规模数据集大黄广泛应用于食品、医药和工业领域。随着野生资源减少,栽培大黄的使用日益增多。然而,其品质因地区而异,因此需要进行系统评估。本研究测量了来自46个地点的235份野生唐古特大黄样本中的五种活性化合物。结果表明,机器学习模型的性能优于线性模型,对总蒽醌的预测具有更低的均方根误差(RMSE:MLM,0.75;RF,0.57;XGB,0.60;KNN,0.59)和平均绝对误差(MAE:MLM,0.59;RF,0.44;XGB,0.47;KNN,0.46),以及更高的R2值(MLM,0.23;RF,0.56;XGB,0.51;KNN,0.53)。随机森林(RF)模型被选作最终预测模型,结果表明西宁及其周边地区的野生唐古特大黄中总蒽醌(2.5–3.5%)、番泻苷A(0.4–1.2%)、番泻苷B(0.8–1.3%)和没食子酸(0.15–0.37%)含量最高。在四个地点的田间栽培验证了模型的准确性。本研究综合了实地采样、模型模拟和栽培验证,确定了唐古特大黄的高品质种植区,从而为大黄资源的可持续利用和产业发展提供支持。
-
基于近红外光谱结合深度学习的小龙虾新鲜度无损检测
查看原文2025
Food Control
中科院一区JCR一区Qing-li Han, Jian-feng Lu, Jiao-jiao Zhu, Lin Lin, Zhi Zheng & Shao-tong Jiang
食品标签
甲壳类 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 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据白度(W)、挥发性盐基氮(TVB-N)和菌落总数(TVC)是评价小龙虾新鲜度的三个重要指标。本研究旨在基于近红外(NIR)光谱技术,建立稳健的模型,以在冷藏过程中对小龙虾的多项新鲜度指标进行无损检测。研究首先采集小龙虾的NIR光谱,并采用传统方法测定其W、TVB-N和TVC值。随后,构建了偏最小二乘回归(PLSR)模型,结合多种光谱预处理与变量选择方法;同时,也基于原始光谱建立了基于一维卷积神经网络(1D-CNN)的预测模型。结果表明,采用小波阈值去噪(WTD)和竞争性自适应重加权采样(CARS)可有效提升PLSR模型的性能。与其他模型相比,1D-CNN模型在TVB-N和TVC的预测中表现最优,其预测决定系数((R_p^2))分别为0.9397和0.9318,残差预测偏差(RPD)分别为2.8279和2.7560,充分体现了卷积神经网络在NIR光谱分析中的显著优势。综上所述,本研究结果表明,将近红外光谱与深度学习相结合是一种可行且高效的小龙虾新鲜度无损检测方法。
-
食品标签
特征风味 理化与结构表征计算机标签
图神经网络 模型可解释性 分类/鉴别/等级评定 知识抽取与语义理解 组学数据 文本/知识库/法规数据理解分子结构与气味感知之间的关系,对于香料配方、食品开发和药物设计等应用至关重要。传统方法通常依赖感官评估或专家设计的分子特征,这些方法既耗费人力,又缺乏可扩展性。在本研究中,我们开发了一种多任务学习模型,能够从化学结构中同时预测多种气味类别,旨在捕捉相关气味之间的共享表征。该模型采用基于图神经网络的架构(kMoL),在涵盖14种气味类别的实验数据上进行训练,其准确性和稳定性均优于传统的单任务模型和随机森林。标签共现分析表明,化合物通常具有多种气味特征,且在多任务设置中,标签重叠程度越高,模型性能越好。使用UMAP和t-SNE进行的化学结构可视化显示,不同气味类型之间没有明显的聚类现象,这表明各类别的预测难度较为均衡。为了提高模型的可解释性,我们应用集成梯度法来识别原子层面的贡献,结果与已知的、与嗅觉受体相互作用相关的亚结构(包括氢键供体和芳香环)相符。值得注意的是,对于麦芽酚等具有甜味的化合物,我们的模型所突出显示的区域与受体-配体对接研究中确定的作用位点一致。这些发现表明,该多任务模型不仅具有优异的预测性能,还能捕捉到与化学和生物学相关的特征。这种方法有助于从机制上理解结构与气味之间的关系,并为合理的嗅觉设计提供了一个可扩展、可解释的框架。