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 122 条结果
-
基于花香和蜂蜜香味的单丛茶香气多样性研究:挥发性化合物与感官特征的化学计量学分析
查看原文2022
Food Control
中科院一区JCR一区Wei Chen, Die Hu, Aiqing Miao, Guangjun Qiu, Xiaoyan Qiao, Hongling Xia, & Chengying Ma
食品标签
茶/茶饮料 特征风味 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/等级评定凤凰单丛茶是中国乌龙茶中的名优品种,以其香型丰富多变而闻名。然而,这种香型多样性无论是从感官品评层面,还是化学物质分析层面,均难以阐明其内在机制。本研究以凤凰单丛茶典型的 “花香型” 与 “蜜香型” 风味为切入点,对其香气物质进行表征,并结合化学计量学方法探究了两种香型风味背后的挥发性成分差异。为充分涵盖凤凰单丛茶的香型多样性,本研究共收集了 70 份不同品类的茶叶样品。感官审评结果显示,所有样品均呈现出明显的花香或蜜香特征。在挥发性成分分析中,采用顶空固相微萃取 - 气相色谱 - 质谱联用技术(HS-SPME-GC-MS),从所有样品中鉴定出 57 种挥发性化合物。基于香型的分类结果与基于挥发性成分的无监督学习分析结果,呈现出一致的样品聚类模式,这表明花香与蜜香两种风味的差异与茶叶中挥发性成分的组成变化密切相关。研究筛选出 9 种挥发性成分作为两类香型差异的潜在标志性物质:其中,吲哚、反式 - 橙花叔醇、2 - 苯基乙腈和 γ- 己内酯是构成花香型风味主导特征的关键物质;而 2 - 甲基丁酸己酯、戊酸顺式 - 3 - 己烯酯、顺式 - 吡喃型芳樟醇氧化物、反式 - 呋喃型芳樟醇氧化物和顺式 - 呋喃型芳樟醇氧化物则是形成蜜香型风味感官特征的重要组分。本研究构建了一套基于花香、蜜香风味特征的挥发性成分分类体系,研究结果可为凤凰单丛茶的香气品质管控提供理论依据与技术支撑。
-
基于UHPLC-Q/TOF-MS的比较代谢组学方法结合机器学习算法区分窄地理来源的祁门红茶
查看原文2022
Food Research International
中科院一区JCR一区Chuan-yi Peng, Yin-feng Ren, Zhi-hao Ye, Hai-yan Zhu, Xiao-qian Liu, Xiao-tong Chen, Ru-yan Hou, Daniel Granato, & Hui-mei Cai
食品标签
茶/茶饮料 食品安全与风险评估 其他安全问题 代谢组学 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 支持向量机 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据地理标志是中国茶产品的一个显著特征。在本研究中,采用基于UHPLC-Q/TOF-MS的代谢组学方法结合化学计量学来确定祁门红茶的五个狭窄地理来源。共鉴定出三十九种差异化化合物(VIP > 1),其中八种进行了定量分析。化学计量学分析显示,线性判别分析(LDA)分类准确率模型为91.7%,交叉验证准确率为84.7%。引入了三种机器学习算法,即前馈神经网络(FNN)、随机森林(RF)和支持向量机(SVM),以提高狭窄地理来源的识别能力,模型的性能通过混淆矩阵、受试者工作特征曲线(ROC)和曲线下面积(AUC)进行评估。来自五个狭窄地理产区的祁门红茶,RF、SVM 和 FNN 的识别率分别为 87.5%、94.44% 和 100%。重要的是,FNN 展现出了卓越的分类效果,准确率达 100%。结果表明,代谢组学指纹结合化学计量学可以用于鉴定祁门红茶的狭窄地理产区来源。
-
不同窨制工艺下茉莉花茶关键挥发性化合物及香气品质研究
查看原文2022
Food Chemistry
中科院一区JCR一区Huimin An, Xingchang Ou, Yangbo Zhang, Shi Li, Yifan Xiong, Qin Li, Jianan Huang & Zhonghua Liu
食品标签
茶/茶饮料 过程优化与控制策略 光谱/色谱/质谱等分析方法 特征风味计算机标签
偏最小二乘法 定量预测/回归分析 过程控制与实时优化茉莉花茶的香气品质是指茉莉花香的浓郁度、鲜爽度,及其与茶香的协调程度,该品质受多种挥发性化合物调控。本研究采用气相色谱 - 质谱联用技术(GC–MS),对采用不同窨制工艺加工的茉莉花茶中的 70 种挥发性化合物进行定性与定量分析,并结合加权基因共表达网络分析(WGCNA)、正交偏最小二乘判别分析(OPLS-DA)及气味活性值(OAV),筛选确定出 7 种关键挥发性化合物。依据构建的 7 种关键挥发性化合物与茉莉花茶品质的关联方程,得到最优窨制工艺参数:配花量(AF)为 65%~78%,窨制时间(ST)为 15~17 小时,窨制温度(SW)为 35~40 摄氏度。本研究为茉莉花茶香气特征的相关研究奠定基础,同时可为企业优化茉莉花茶加工工艺提供指导。
-
祁门红茶:基于全面元素指纹图谱与化学计量学追溯其精细地理来源
查看原文2022
Food Control
中科院一区JCR一区Yin-feng Ren, Can Feng, Zhi-hao Ye, Hai-yan Zhu, Ru-yan Hou, Daniel Granato, Hui-mei Cai, & Chuan-yi Peng
食品标签
茶/茶饮料 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定食品产地溯源鉴别对提升产品可追溯性、强化质量管控及保护品牌价值具有重要意义。本研究采用电感耦合等离子体质谱法(ICP-MS) 结合化学计量学方法,对采自核心产区(祁门)及传统产区(东至、贵池)的 104 份祁门红茶样品中的 27 种矿质元素指纹图谱进行分析,以实现其精细产地溯源。方差分析结果显示,不同产区的祁门红茶具有各自独特的矿质元素指纹特征。正交偏最小二乘判别分析(OPLS-DA)模型表现出良好的鉴别效果,但基于线性判别分析(LDA) 建立的红茶产地鉴别模型,鉴别准确率达 100%,交叉验证准确率达 99%,性能优于正交偏最小二乘判别分析模型。同样,支持向量机(SVM) 模型对所有产地红茶的鉴别准确率也达到 100%。研究结果表明,矿质元素指纹图谱结合化学计量学技术,可有效实现祁门红茶的精细产地溯源鉴别。
-
基于无损近红外光谱传感器的黑茶样品感官属性评估
查看原文2022
Food Control
中科院一区JCR一区Sebahattin Serhat Turgut, José Antonio Entrenas, Emre Taşkın, Ana Garrido-Varo, & Dolores Pérez-Marín
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据红茶在采购、拼配及上市销售前,需对其品质特性进行常规检测,以保障产品品质与市场价值。部分品质特性可通过仪器分析测定,但另有多项指标需经由评茶专家开展感官审评(开汤品鉴),并以感官评分的形式判定。然而,这类检测分析手段(尤其是感官审评)不仅对人员专业素养要求极高,操作耗时较长,还易受人为因素干扰产生误差。为此,本研究将无损光谱传感技术与化学计量学方法相结合,旨在快速测定红茶样品的感官审评指标(外形、滋味、汤色及综合品质),以及其他关键理化品质指标(容重、纤维素含量、水浸出物含量和含水率)。研究选取 54 份土耳其红茶样品,采用三款不同的近红外光谱仪(MicroNIR™ 1700、Matrix-F 傅里叶变换近红外光谱仪及 NIRS DS 2500)完成光谱采集。建模过程中,采用结合逐步变量消除法的偏最小二乘回归法(PLSR)与主成分回归法(PCR)作为回归算法,构建近红外光谱校正模型。结果显示,针对感官指标,偏最小二乘回归法的建模效果略优于主成分回归法,其交叉验证决定系数(R cv2)介于 0.83 至 0.97 之间,交叉验证剩余预测偏差(RPD cv)介于 2.47 至 5.79 之间;针对理化指标,偏最小二乘回归模型的交叉验证决定系数(R cv2)与交叉验证剩余预测偏差(RPD cv)则分别处于 0.66~0.89 和 1.72~3.08 的区间。上述研究结果表明,偏最小二乘回归法结合傅里叶变换近红外光谱技术,有望实现红茶感官审评得分及相关品质指标的快速、经济检测,为茶产业应用提供技术支撑。