类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 122 条结果
-
基于溶液相传感器阵列结合紫外-可见光谱技术的红茶发酵质量快速监测
查看原文
2022
Food Chemistry
中科院一区JCR一区
Luqing Li, Menghui Li , Qingqing Cui, Ying Liu, Yuyu Chen, Yujie Wang, Zhengzhu Zhang, Quansheng Chen & Jingming Ning
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
支持向量机 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据红茶发酵品质的快速监测是实现红茶智能化加工的核心关键。本研究先对混合比例、传感阵列组分与反应时间进行优化，以此构建出最优液相比色传感阵列。通过紫外 - 可见光谱获取阵列特征光谱信息，再结合机器学习算法，建立红茶发酵品质评价模型。竞争性自适应重加权算法（CARS）- 支持向量机模型对红茶发酵程度的判别准确率达到100%。针对儿茶素与四种茶黄素（TF、TFDG、TF-3-G、TF-3′-G）的定量分析，CARS - 最小二乘支持向量机模型预测集相关系数分别为 0.91、0.86、0.76、0.72 与 0.79。整个检测过程可在2 分钟内完成，能够实现红茶发酵品质的精准监测，为红茶智能化加工提供了新方法与新思路。
-
利用地面高光谱图像估算绿茶田间新梢中儿茶素浓度
查看原文
2022
Food Chemistry
中科院一区JCR一区
Ye Seong Kang, Chanseok Ryu, Masahiko Suguri, Si-bum Park, Shigenobu Kishino & Hiroyuki Onoyama
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 多酚与黄酮计算机标签
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱本研究采用高光谱成像技术，对绿茶新梢中的非没食子酰基型儿茶素（表儿茶素 EC、表没食子儿茶素 EGC）与没食子酰基型儿茶素（表儿茶素没食子酸酯 ECG、表没食子儿茶素没食子酸酯 EGCG）含量进行定量估算。研究分别针对商品化肥（CF）与有机肥（OF）处理组构建偏最小二乘回归模型，除个别情况外，各模型对不同类型儿茶素含量的预测决定系数均大于 0.79。将商品化肥组模型用于预测有机肥组高光谱反射率数据，同时将有机肥组模型用于预测商品化肥组数据，结果显示有机肥组模型的交互预测准确度优于商品化肥组模型。整合商品化肥与有机肥两组的高光谱反射率及儿茶素含量数据构建联合模型，除非没食子酰基型儿茶素总量与表没食子儿茶素（EGC）单体两项指标外，其余指标的预测决定系数均高于 0.76。上述研究结果可为绿茶品质的维持与提升提供参考数据。
-
利用稳定同位素和化学计量学分析，理解加工、成熟度和收获期对鉴别早春龙井茶的影响
查看原文
2021
Food Control
中科院一区JCR一区
Wei Xia, Zuguang Li, ChongChong Yu, Zhi Liu, Jing Nie, Chunlin Li, Shengzhi Shao, Yongzhi Zhang, Karyne M. Rogers, & Yuwei Yuan
食品标签
茶/茶饮料 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 分类/鉴别/等级评定低产的早春龙井茶叶因稀缺性深受中国消费者青睐，且售价高昂，但由于其外观与晚季采摘的低价茶叶相似度较高，存在被后者掺假替代的风险。本研究采用稳定同位素分析技术（δ¹³C、δ¹⁵N、δ²H、δ¹⁸O）对不同采摘期的茶叶样本进行检测，旨在区分茶叶干燥工艺、叶片成熟度及采摘期这三个因素对检测结果的影响。研究结果显示：不同干燥工艺处理的茶叶，其各项稳定同位素比值均无显著性差异（p > 0.05）；在整个春季周期内，不同成熟度茶叶的 δ¹³C 值差异较小（p > 0.05）；早春时节，成熟叶片的 δ¹⁵N 值较嫩叶片高 0.4‰；叶片 δ²H 与 δ¹⁸O 的分馏比（成熟叶 / 嫩叶，RM/Y）存在显著的季节性差异，早春与晚春的分馏比分别为 1.17 和 1.14（p < 0.05）。总体而言，茶叶稳定同位素比值呈现早春富集、晚春贫化的季节变化规律。相关性分析表明，δ¹⁸O 值与空气湿度、光照强度及降水量呈显著正相关（相关系数 r 介于 0.53~0.92）；δ¹³C 值与气温呈负相关，δ²H 值与空气湿度呈负相关（相关系数 r 介于 0.57~0.74）。研究采用有监督化学计量学模型 —— 正交偏最小二乘判别分析（OPLS-DA）对早春龙井与晚春龙井进行分类鉴别，模型对训练集的判别准确率达 95%，对测试集和盲样集的判别准确率则分别为 100% 和 83.3%。综上，本研究建立的稳定同位素结合化学计量学的检测方法，可有效鉴别早春龙井茶叶，为其市场溯源与品质保护提供技术支撑；同时也证实，利用稳定同位素分析结合化学计量学建模，可实现茶叶采摘期的精准判别。
-
结合稳定同位素与矿物元素特征及化学计量学分析鉴定贵州绿茶的产地来源
查看原文
2021
Food Control
中科院一区JCR一区
Wenwen Liu, Yan Chen, Ruoxin Liao, Jie Zhao, Hui Yang & Fuhua Wang
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 主成分分析/判别分析 分类/鉴别/等级评定贵州绿茶是贵州省级地理标志保护产品，兼具高经济价值与良好市场口碑。然而，在经济利益的驱使下，市场上针对贵州绿茶的蓄意产地造假与掺伪现象日益突出。因此，亟需建立可靠的产地溯源鉴别方法，以打击此类造假行为，保护正品贵州绿茶。本研究采集了中国不同省份（贵州、湖北、广东）及贵州省内不同县域（都匀、雷山、湄潭）的绿茶样品，对其 4 种稳定同位素及 31 种矿质元素特征进行分析。结果显示：湖北产区绿茶样品的 δ²H 与 δ¹⁸O 同位素比值显著偏高，这一现象或可归因于该地区相对湿度较低引发的强烈二次蒸发效应；同时，不同产区绿茶的矿质元素含量存在显著地域差异，例如铁（Fe）、锰（Mn）、铜（Cu）及稀土元素等。上述差异主要源于产地土壤环境（包括土壤性质、地质背景及矿产资源），且可能与气候条件存在关联。此外，本研究将稳定同位素与矿质元素特征相结合，分别采用主成分分析（PCA）、线性判别分析（LDA）及正交偏最小二乘判别分析（OPLS-DA）方法，探索了贵州绿茶在省级与地级行政区域尺度上的产地鉴别可行性。经交叉验证与外部验证表明，LDA 与 OPLS-DA 模型的预测准确率均高于 97%。研究发现，δ²H 同位素比值及钾（K）、钒（V）、钴（Co）、铜（Cu）、锌（Zn）、铈（Ce）元素含量，是区分三省绿茶样品的关键特征变量；而镝（Dy）、铒（Er）、钆（Gd）、钬（Ho）、钐（Sm）、铽（Tb）、铥（Tm）、镱（Yb）等稀土元素含量，则是实现贵州省内三县域绿茶样品次级分类的核心指标。综上，稳定同位素与矿质元素联合分析策略，可作为鉴别贵州绿茶与其他产地绿茶（包括邻近产区样品）的高效技术手段。
-
应用电子舌结合深度学习与迁移学习技术鉴别普洱茶贮藏时间
查看原文
2021
Food Control
中科院一区JCR一区
Zhengwei Yang, Nan Miao, Xin Zhang, Qingsheng Li, Zhiqiang Wang, Caihong Li, Xia Sun, & Yubin Lan
食品标签
茶/茶饮料 食品安全与风险评估计算机标签
卷积神经网络 分类/鉴别/等级评定 时序传感器/物联网数据普洱茶是我国著名的发酵茶，其品质与风味和发酵陈化的贮藏时长密切相关。本研究提出一种基于伏安型电子舌（VE-Tongue）结合深度学习与迁移学习技术的普洱茶年份鉴别方法。为使深度学习模型适配伏安型电子舌信号的处理需求，研究构建了一维卷积神经网络（1-D CNN），用于自动完成特征提取与分类任务。同时引入迁移学习（TL）策略开展模型训练，以降低训练复杂度，提升卷积神经网络的泛化能力。为验证所提模型的性能，研究将其与反向传播神经网络、支持向量机、极限学习机等传统机器学习方法进行对比。结果表明，该模型在普洱茶年份分类任务中的表现优于其他方法，其测试集准确率达 98.80%，精确率为 98.2%、召回率为 98%、F1 值为 0.98。本研究证实，伏安型电子舌结合深度学习与迁移学习算法的技术方案，可作为一种灵敏、可靠且高效的检测手段，实现对普洱茶贮藏年份的精准鉴别，该方法未来可进一步拓展应用于其他相关领域。
