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 276 条结果
-
基于非靶向代谢组学¹H NMR指纹图谱和模式识别的分步策略用于初榨橄榄油地理来源认证
查看原文2025
Food Control
中科院一区JCR一区Rosa María Alonso-Salces, Gabriela Elena Viacava, Alba Tres, Stefania Vichi, Enrico Valli, Alessandra Bendini, Tullia Gallina Toschi, Blanca Gallo, Luis Ángel Berrueta & Károly Héberger
食品标签
植物油 品质、结构与理化性质 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
偏最小二乘法 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱本文提出了一种基于初榨橄榄油(VOO)的¹H核磁共振指纹图谱和以决策树结构组织的一系列二元分类模型的分步策略,用于从四个层级鉴定橄榄油的地理来源:即来自欧盟成员国或非欧盟国家、具体国家和产区的来源,以及是否符合地理标志保护。该方法旨在支持当前规定橄榄油标签必须注明地理来源的欧盟法规。目前,官方尚缺乏相应的监控方法。偏最小二乘判别分析(PLS-DA)和随机森林分类算法均能提供稳健可靠的二元分类模型来验证橄榄油的地理来源;但前者在准确性和稳健性方面优于后者。针对每个案例构建的最佳二元PLS-DA模型,其预测能力(包括交叉验证和外部验证)在两类上的准确率均介于80%至100%之间。验证橄榄油地理来源所获得的满意结果,连同我们先前关于橄榄油类别区分、检出橄榄油中掺混植物油、以及确定稳定性、新鲜度、储存时间和条件与最佳食用日期等方面的研究,证实了对单个橄榄油样本进行一次¹H NMR分析,即可为监管与橄榄油市场标准相关的多项欧盟法规提供有用信息。
-
采用红外光谱与机器学习方法结合估算纤维素I的结晶度
查看原文2025
Carbohydrate Polymers
中科院一区JCR一区Yong Ju Lee, Do Young Lee, Tai-Ju Lee & Hyoung Jin Kim
食品标签
碳水化合物配料 其他品质相关性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类 其他膳食纤维类成分计算机标签
偏最小二乘法 随机森林 定量预测/回归分析 红外/拉曼光谱数据本研究提出了一种新的方法,通过将红外光谱技术与机器学习技术相结合,来估算纤维素 I 类材料的结晶度指数(CrI)。微晶纤维素(MCC)被用作结晶标准物质,而球磨后的 MCC、木聚糖和木质素粉末则作为无定形参考物质。在构建模型之前,对红外光谱进行了采集和预处理。采用包括偏最小二乘(PLS)回归和随机森林(RF)在内的机器学习算法来开发用于估算 CrI 的预测模型。结果表明,红外光谱与机器学习技术的结合在估算纤维素 I 类材料的结晶度方面具有很高的准确性。所提出的方法为传统的 X 射线衍射(XRD)技术提供了一种快速且可靠的替代方案。
-
基于高光谱预处理、特征筛选和机器学习的不同面筋小麦品种分类
查看原文2025
Food Chemistry: X
中科院一区JCR一区Xinghui Qi, Shaohua Zhang, Liyang Wang, Xuexu Hu, Haiyan Zhang, Wei Feng, Chenyang Wang, Tiancai Guo & Li He
食品标签
小麦 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 K-近邻 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 高光谱/多光谱光谱对不同面筋小麦品种进行分类能够满足多样化的食品需求。为了利用高光谱数据快速对面筋小麦类型进行分类,本研究采用了四种预处理方法,结合两种特征筛选方法和四种机器学习算法。研究结果表明,通过ReliefF提取的特征波长所构建的分类模型,其准确率优于全波长分类模型和最小冗余最大相关性(mRMR)分类模型。连续小波变换(CWT)的分类准确率高于原始反射率、连续去除和一阶导数的分类准确率。四种分类器的性能排序为支持向量机(SVM)>卷积神经网络(CNN)>随机森林(RF)>K近邻(KNN)。ReliefF - CWT - SVM被确定为最优分类模型(总体准确率=94.5%)。所提出的组合方法为对不同面筋类型的小麦品种进行分类提供了理论和技术支持。
-
基于机器学习的典型中国绿茶味道分类与预测研究
查看原文2025
Food Research International
中科院一区JCR一区Yingbin Zhang, Xuwei Chen, Dingding Chen, Li Zhu, Guoqing Wang & Zhongxiu Chen
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸 多酚与黄酮计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 多模态/融合数据中国绿茶的味道非常多样化。本研究结合无监督和有监督学习方法,构建了用于分类和预测典型中国绿茶味道的模型。基于定量描述分析(QDA)结果评估了三种聚类方法,并选择分层K均值方法将88种茶汤分为七种不同的味道类型。应用电子舌传感器、近红外光谱和代谢组学,结合关键化学成分分析,构建了多个数据集作为模型数据。比较了四种多元统计方法和六种人工智能算法在三个数据集上的性能。数据集3(包含化学成分、味道活性值(Tav)及其比值)获得了最高的准确度。随机森林(RF)模型在预测中取得了最高的准确度(0.98)和Kappa值(0.97)。结果表明,关键的化学成分、Tav及其相互关系对绿茶味道分类更为重要。本研究能从消费者角度更准确地表征和预测典型中国茶的味道特征。在不同味道类别之间观察到感官属性和化学组成的显著差异,其中MU类型显示出最低的TavTC(儿茶素总Tav)/ TavTAA(氨基酸总Tav)比值,表明其鲜味和甜味特征最强。本研究结果为开发个性化茶产品提供了潜力,从而有助于提升消费者体验。
-
基于聚类与降维技术的全氟及多氟烷基物质在动物物种器官中分布的机器学习多模态分析
查看原文2025
Food Research International
中科院一区JCR一区Ali Sani, Ibrahim Lawal Abdullahi, Abba Salisu, Habibu Magaji Tukur & Ahmad Kabir Maigari
食品标签
畜肉 禽肉 鱼肉 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
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 组学数据全氟及多氟烷基物质(PFAS)在水生和陆生生物中的污染构成了显著的环境与健康风险。本研究量化了鱼类(Clarias gariepinus, Oreochromis niloticus, Lates niloticus, Tilapia zilli)、牲畜(骆驼、牛、绵羊、公羊、山羊)和鸟类(鸽子、鸡、火鸡)多种组织(肝、肾、鳃、肌肉、皮肤、肺、血液、胸肉、羽毛)中的15种PFAS化合物。在鱼类中,C. gariepinus表现出最高的PFAS积累,其中PFOA (46.5 ng/g) 和 PFTrDA (50.1 ng/g) 在肝脏和肾脏中占主导,而O. niloticus则显示出较高的PFTrDA (56.87 ng/g) 和 PFUnDA (29.43 ng/g)。在牲畜中,骆驼肝脏含有较高的PFNA (9.22 ng/g),牛肝脏中PFOS含量最高 (8.1 ng/g)。在鸟类中,鸽子肝脏的PFNA含量最高 (7.83 ng/g)。为分析PFAS的分布模式,研究采用了降维与聚类技术。主成分分析 (PCA) 捕捉了总方差的68.28%,揭示了两个不同的聚类,其中鱼类与较高的PFAS浓度密切相关,而禽类与其他肉类相比显示出独特的PFAS谱图。PFOS、PFOA及其他PFAS化合物在中心附近的聚类解释了它们对各类肉类(尤其是鱼类)的普遍影响,而t-分布随机邻域嵌入 (t-SNE) 则证实了高维空间中的清晰分离。聚类分析,包括K均值、层次聚类、DBSCAN和高斯混合模型 (GMM),识别出明确的模式,其中DBSCAN和GMM检测到了重叠的类别和离群值。使用随机森林模型进行的特征重要性分析突出表明,总PFAS是最重要的预测因子,PFHxA和PFDoDA也有较强贡献,而器官类型和物种的影响相对较小。这些发现证明了无监督学习技术在表征跨物种和跨组织的PFAS生物积累模式方面的有效性,为生态和毒理学风险评估提供了宝贵信息。