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
-
使用差示扫描量热法与数据增强的卷积神经网络对黑小蜜蜂(Heterotrigona itama)与巨蜜蜂(Apis dorsata)蜂蜜的鉴定与掺假检测
查看原文2025
Food Chemistry
中科院一区JCR一区Norfarizah Hanim Hassan, Ngee Sing Chong, Tiem Leong Yoon & Yong Foo Wong
食品标签
甜味剂 其他理化与结构表征 碳水化合物与糖类计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定本研究提出了一种简单的方法,通过将差分扫描量能计(DSC)的量能数据与机器学习分类(MLC)技术整合,特别是结合卷积神经网络(CNN)模型和合成少数族裔过采样技术(SMOTE)进行数据增强,检测蜂蜜掺假。使用DSC采集了不同蜂蜜品种、糖掺假剂和掺假样品的热剖面。掺假蜂蜜中观察到玻璃转变温度的变化。DSC数据采用主成分分析和MLC工作流程进行分析。应用于原始数据集的CNN模型报告准确率为24–67%。然而,将CNN模型与SMOTE算法整合后,准确率显著提升至60–91%。DSC与MLC的结合提供了快速且准确的蜂蜜掺假检测方法,展现了强大的泛化能力。该方法有助于建立检测欺诈行为的框架,保护蜂蜜行业和消费者免受基于糖的掺假侵害。
-
近红外光谱(NIRS)在预测薯条育种过程中丙烯酰胺生成的潜力
查看原文2025
Food Chemistry
中科院一区JCR一区Inga Smit, Klaus Vosmann, Lydia Weber, Bernd Truberg, Katja Muders, Mete Kaan Bülbül, Ufuk Demirel, Mehmet Emin Çalışkan & Norbert Ulf Haase
食品标签
马铃薯 品质、结构与理化性质 过程监测与在线检测 加工污染物 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据油炸专用马铃薯的育种目标包括高淀粉含量、良好的长期贮藏适应性,以及作为丙烯酰胺前体物质的还原糖生成倾向低。由于育种样本数量庞大,在育种过程中难以对炸薯条中的丙烯酰胺及其块茎中的前体物质开展精准检测分析。因此,本研究旨在评估经简易样品前处理后的近红外光谱检测技术,用于预测马铃薯块茎还原糖含量及炸薯条丙烯酰胺含量的适用性。研究采用包含194个马铃薯基因型的650余份样本进行外部验证,结果显示丙烯酰胺含量预测准确率为51%,还原糖含量预测准确率达76%。丙烯酰胺预测的相对分析误差值低于1.5,还原糖预测的相对分析误差值介于1.64至2.23之间,模型质量处于中低至中等水平。尽管如此,基于马铃薯块茎泥近红外光谱检测构建的丙烯酰胺预测模型,可对80%以上未知样本准确判定其丙烯酰胺含量是否低于或高于欧盟限值标准,说明该方法可作为马铃薯育种过程中的快速检测手段。
-
基于机器学习的图像分析在胶体体系中定量检测微观液滴
查看原文2025
Food Hydrocolloids
中科院一区JCR一区Jens Saalbrink, Tricia Y.J. Loo, Julia Mertesdorf, Peidi Xu, Mie T. Pedersen, Mathias P. Clausen & Jose C. Bonilla
食品标签
乳化剂/稳定剂/增稠剂 微观结构与成像 显微与成像技术计算机标签
图像分割网络 定量预测/回归分析 可见光/RGB/视频数据不同的机器学习算法已被应用于各类食品胶体系统的显微图像分析,针对通过不同显微成像模式获取的各种显微照片进行目标分割研究。这些算法的分割效果均与人工手动分割及传统强度阈值分割法进行了对比验证。研究表明,机器学习算法的准确度会因采用的显微成像类型及图像其他特征而异。本研究成果开发出一套名为MIDAS的图像分析工作流程,该流程能对各种显微图像中的胶体系统液滴实现跨图像类型分割,特别针对同一图像内存在显著尺寸差异的液滴进行了量化优化设计。除分割功能外,该工作流程还整合了对图像中所有液滴的量化数据提取能力。本文演示了如何利用这些数据开展关于空间分布和液滴形状的不同定量分析,并展示了该工作流程如何在双乳液等复杂体系中实现嵌套液滴的分割与量化。MIDAS图像分析工作流程已作为开源代码在在线资源库发布,其精准的图像分析实施将助力食品胶体与食品结构研究领域获取新的突破性数据。
-
T10SLRE:一种利用近红外光谱快速无损预测小麦面包体积的新型集成学习方法
查看原文2025
Food Chemistry
中科院一区JCR一区Lei Li, Wenfei Tian, Zihui Zhao, Yonggui Xiao, Yong Zhang, Jindong Liu, Velu Govindan, Zhonghu He & Maria Itria Ibba
食品标签
小麦 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
智能手机/其他 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据 大规模数据集面包体积是衡量小麦加工品质的关键指标,但传统的面包制作测试既费力又耗时。本研究评估了近红外光谱结合机器学习快速预测面包体积的方法。将5003份小麦样本数据集分为4002份用于模型训练,1001份用于独立测试。传统回归模型和卷积神经网络在测试集上的决定系数(R²)为0.70至0.73,均方根误差(RMSE)为23.29至25.08毫升/100克。我们提出了一种新颖的前10%抽样线性回归集成(T10SLRE)方法,该方法在不进行光谱预处理或波长选择的情况下,实现了0.74的R²和22.92毫升/100克的RMSE。它还能对面包制作阈值850毫升/100克以下的小麦品系进行分类,准确率达97.90%。这种方法为降低小麦品质评估的成本和工作量提供了实用工具。
-
从酵母蛋白中筛选和鉴定新颖鲜味肽:对其对T1R1/T1R3受体作用机制的见解
查看原文2025
Food Chemistry
中科院一区JCR一区Yuxiang Gu, Xuewei Zhou, Yajie Niu, Jingcheng Zhang, Baoguo Sun, Zunying Liu, Xiangzhao Mao, Yan Zhang, Ku Li & Yuyu Zhang
食品标签
蛋白质配料 品质、结构与理化性质 营养与生物功能 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定本研究旨在解析六种不同酵母蛋白样品的肽谱,并从中筛选鉴定新型鲜味肽。肽特征分析结果印证了酵母蛋白肽库是鲜味肽的优质天然来源这一观点。研究借助iUmami_SCM、UMPred-FRL、Umami_YYDS、Umami-MRNN、Innovagen、Expasy-ProtParam及ToxinPred工具,筛选出9种潜在鲜味肽。浓度为1毫克/毫升AGVEDVY、LFEQHPEYRK、AFDVQ、GPTVEEVD、NVVAGSDLR、ATNGSR、VEVVALND肽均被证实具有鲜味,其中前五种肽对质量分数0.35%的谷氨酸钠具有显著的增鲜效果。分子对接结果显示,组氨酸、精氨酸、酪氨酸、天冬氨酸、谷氨酰胺、苏氨酸、丝氨酸、谷氨酸等肽残基,主要通过氢键与鲜味受体T1R1His71、Ser107/109/148、Asp147/218、Arg277位点,以及T1R3的Ser104/146、His145、Asp216、Tyr218、Ala302位点发生结合。本研究丰富了可作为食品添加剂的鲜味肽资源库,也为挖掘酵母蛋白中的呈味物质及其拓展应用奠定了理论基础。