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 130 条结果
-
共聚焦拉曼显微光谱结合光谱筛选算法用于大米淀粉的定量分析
查看原文2023
Food Hydrocolloids
中科院一区JCR一区Xiao Wei, Fang Li, Anand Babu Perumal, Alireza Sanaeifar, Mahamed Lamine Guindo, Yongqiang Shi, Yong He & Fei Liu
食品标签
碳水化合物配料 其他品质相关性质 常规理化指标测定 显微与成像技术 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 超参优化/自动机器学习 定量预测/回归分析 红外/拉曼光谱数据淀粉是水稻的主要成分之一。本文研究了共聚焦拉曼显微光谱结合光谱筛选算法定量检测大米中淀粉的可行性。首先,对样品的拉曼光谱进行预处理和光谱筛选算法的数据处理。其次,分别通过偏最小二乘回归、粒子群优化-支持向量回归、灰狼优化器-支持向量回归以及反向传播神经网络建立定量淀粉检测模型。之后,使用预测集验证了定量淀粉检测模型。最终,经归一化和IPLS筛选后的GWO-SVR淀粉定量检测模型的预测集相关系数、预测集均方根误差和平均相对误差分别为0.8915、1.03%和1.08%。实验结果表明,经过适当的预处理和光谱筛选算法后,通过CRM快速准确地检测大米中淀粉含量是可行的。
-
基于FT-NIR与多元算法结合的酸枣仁及其掺假物快速评估
查看原文2023
Food Chemistry: X
中科院一区JCR一区Ming-xuan Li, Ya-bo Shi, Jiu-ba Zhang, Xin Wan, Jun Fang, Yi Wu, Rao Fu, Yu Li, Lin Li, Lian-lin Su, De Ji, Tu-lin Lu & Zhen-hua Bian
食品标签
豆类与坚果(及籽类) 其他安全问题 常规理化指标测定 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据酸枣仁是一种以其镇静和改善睡眠特性而著称的珍贵种子。然而,其价格的上涨伴随着掺假问题的出现。本研究采用色度分析和傅里叶变换近红外光谱结合多元算法,用于鉴别掺假并定量预测掺假比例。研究结果表明,仅使用色度提取器不足以识别掺假比例。通过FT-NIR提取的ZMS和HAS掺假物的原始光谱分别经过SNV + CARS和1d + SG + ICO方法处理后,机器学习分类模型的平均准确率从77.06%提高到97.58%。此外,两个掺假比例定量预测回归模型的校正集和预测集的决定系数均大于0.99,显示出优异的线性和预测精度。总体而言,本研究表明,FT-NIR结合多元算法为解决日益严重的酸枣仁掺假问题提供了一种重要方法。
-
数据融合对提高橄榄油质量测量精度的影响
查看原文2023
Food Chemistry: X
中科院一区JCR一区Mohammad Reza Zarezadeh, Mohammad Aboonajmi & Mahdi Ghasemi-Varnamkhasti
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 其他理化与结构表征计算机标签
主成分分析/判别分析 其他深度学习结构 特征工程与选择策略 分类/鉴别/等级评定 时序传感器/物联网数据 多模态/融合数据 中等规模数据集橄榄油是最健康、最有营养的食用植物油之一,具有很高的掺假潜力。本研究通过融合电子鼻和超声波两种方法,采用六种不同的分类模型对橄榄油的掺假样品进行检测。样品分为六种掺假类别。电子鼻系统包括八种不同的传感器,超声波系统使用2 MHz探头进行透射式测量。采用主成分分析方法进行特征降维,并使用六种分类模型进行分类。结果表明,对分类影响最大的特征是“超声波振幅损失百分比”。研究发现,超声波系统的数据比电子鼻系统的数据更有效。结果显示,人工神经网络方法被认为是最高效的分类器,准确率最高(95.51%)。通过数据融合,所有分类模型的分类准确率均显著提高。
-
基于机器学习的pH响应型比色传感器阵列用于牛肉新鲜度实时监测
查看原文2023
Food Control
中科院一区JCR一区Yuandong Lin, Ji Ma, Da-Wen Sun, Jun-Hu Cheng, & Qijun Wang
食品标签
畜肉 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 支持向量机 随机森林 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 时序传感器/物联网数据本研究开发了一种基于pH 响应型比色传感阵列(CSA) 的新型技术策略,将其与机器学习模型相结合,通过检测挥发性盐基氮(TVB-N)含量实现牛肉新鲜度的高效实时监测。研究共计算得到 168 个颜色特征参数,并采用序贯前向选择法(SFS)、随机森林算法(RF)及主成分分析法(PCA),筛选出对 TVB-N 含量变化具有敏感性的有效颜色特征。在此基础上,分别基于全颜色特征与有效颜色特征,构建偏最小二乘回归(PLSR)线性模型,以及随机森林回归(RFR)、支持向量机回归(SVR)非线性模型,对 28℃贮藏条件下牛肉的 TVB-N 含量进行预测。结果显示,RF-SVR 组合模型性能最优,其预测决定系数(Rp2)达 0.9596,预测均方根误差(RMSEP)为 1.89 mg/100g,相对预测偏差(RPD)为 4.98。此外,研究将基于 RF-SVR 模型的 pH 响应型比色传感阵列应用于 4℃冷藏牛肉的新鲜度定量分析,并采用牛肉 TVB-N 含量标准检测方法进行验证。结果表明,比色传感阵列结合机器学习技术,可作为一种客观、无损的检测工具,通过监测 TVB-N 含量实现牛肉新鲜度的精准评价。
-
手持光谱仪评估鲤鱼和鳟鱼片新鲜度与标准方法的比较研究
查看原文2023
Food Control
中科院一区JCR一区Bernadette Moser, Zora Jandric, Christina Troyer, Lukas Priemetzhofer, Konrad J. Domig, Henry Jäger, Sabrina P. van den Oever, Helmut K. Mayer, Stephan Hann, & Andreas Zitek
食品标签
其他肉与水产品 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 偏最小二乘法 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据本研究评估了三款便携式近红外光谱仪(TellSpec、SCiO、MicroNIR)在监测有机鲤鱼片与湖鳟鱼片新鲜度方面的应用潜力。为支撑不同光谱仪的性能比对,研究同时采用标准检测方法获取多维度指标数据,包括生物胺含量、微生物指标、挥发性盐基氮(TVB-N)含量、脂肪酸组成、汁液流失率、色泽及质构变化,此外还结合动态顶空 - 气相色谱 - 飞行时间质谱(DHS-GC-TOFMS) 开展非靶向代谢组学分析。实验对鱼片在 4℃条件下贮藏 1、3、6、9 天后的样品进行检测,分别采用判别分析与类别建模方法 ——正交偏最小二乘判别分析(OPLS-DA) 和数据驱动型类比软独立建模法(DD-SIMCA),以评估便携式近红外光谱仪区分鲜品与腐败鱼片的性能。研究将近红外光谱数据与标准检测方法所得数据进行相关性分析,筛选出能够表征鱼片腐败进程的特征波长集,并进一步验证这些特征波长对化学计量学模型性能的优化效果。结果显示,便携式近红外光谱仪对鲤鱼片的新鲜度判别灵敏度与特异性均较高:OPLS-DA 模型灵敏度达 88%~100%、特异性达 88%~100%;DD-SIMCA 模型灵敏度达 100%、特异性达 60%~100%。然而,针对湖鳟鱼片的判别中,两种分类模型的灵敏度与特异性均低于鲤鱼片。仅保留与标准检测数据(含 DHS-GC-TOFMS 代谢组学数据)具有相关性的特征波长后,TellSpec 与 MicroNIR 光谱仪对湖鳟鱼片的判别模型性能得到显著提升,但 MicroNIR 与 SCiO 光谱仪所构建的鲤鱼片判别模型性能未获改善。综上,研究证实,所测三款便携式近红外光谱仪对不同鱼类的新鲜度判别效果存在物种特异性差异。便携式近红外光谱仪可作为鱼类新鲜度现场快速检测的有效工具,但主要适用于初筛环节;若需对现场检测结果进行确证,仍需借助实验室标准检测方法,针对腐败特征指标开展定量分析。