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
-
基于深度学习的比例荧光传感器,实现四环素抗生素的快速且用户友好的检测
查看原文2024
Food Chemistry
中科院一区JCR一区Zhengjie Chen, Zhi Li, Haibin He, Juhua Liu, Junjie Deng, Lin Jiang, & Xinghai Liu
食品标签
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
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据在食物中检测四环素抗生素(TCs)对于减少其在人体中的吸收具有重要意义。因此,本研究旨在开发一种快速、便捷、实时且准确的抗生素检测方法,以在真实市场环境中检测抗生素。设计了一种比色荧光传感器用于四环素检测,利用PVA气凝胶作为底物。其工作原理基于IFE效应和天线效应。一种检测设备被设计用于捕捉荧光图像,同时采用深度学习辅助检测过程。该传感器响应迅速,检测仅需60秒,并表现出显著的颜色变化(蓝色到红色),借助深度学习,在10–100微米范围内实现99%的准确率(Resnet18)。实样本模拟测试的恢复率在95%到130%之间。总体而言,该策略被证明是食品样本中快速实时检测TCs的简单、便携、可靠且响应迅速的解决方案。
-
基于ATR-FTIR光谱与化学计量学联用技术检测牛奶中的美洛昔康残留
查看原文2024
Food Control
中科院一区JCR一区Rakendhu Saji, Kamal Gandhi, Rajan Sharma, & H.V. Raghu
食品标签
液态乳 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据美洛昔康(MELX)是一种非甾体抗炎药(NSAID),常用于牛的疾病治疗,其在牛乳中的残留会对人体健康构成威胁。欧盟、加拿大、中国及印度的监管机构分别规定了牛乳中美洛昔康的最大残留限量,依次为 15 μg/kg、35 μg/kg、15 μg/kg 和 10 μg/kg。本研究探索了衰减全反射 - 傅里叶变换红外光谱(ATR-FTIR)技术结合化学计量学方法,用于检测牛乳中美洛昔康残留的可行性。实验选取纯牛乳样本,以及添加了不同浓度美洛昔康(浓度范围 1~50 μg/kg)的牛乳样本进行分析。所有样本的红外光谱检测均在4000~400 cm⁻¹ 的波数范围内进行。研究人员选取2940~2840 cm⁻¹ 和 1765~1730 cm⁻¹两个特征波数区间,通过主成分分析(PCA)实现纯牛乳样本、美洛昔康标准品与加标牛乳样本的聚类区分。基于上述特征波数区间建立的偏最小二乘回归(PLSR)模型,其校正集与验证集的决定系数(R²)分别大于 0.92 和 0.94。采用类软独立建模法(SIMCA)对所有样本进行分类判别,分类准确率达 100%。本研究得出结论:结合衰减全反射 - 傅里叶变换红外光谱技术与化学计量学方法,可实现对牛乳中低至 1 μg/kg 浓度美洛昔康残留的有效检测。该红外光谱化学计量学检测方法的分析结果,与液相色谱 - 串联质谱(LC-MS/MS)法的检测结果一致,具备应用于牛乳美洛昔康残留筛查的潜力。
-
构建利用微型纤维近红外光谱仪在酱油生产过程中的原位及实时监测方法
查看原文2024
Food Chemistry
中科院一区JCR一区Z Zhang, Y Ding, F Hu, Z Liu, X Lin, J Fu, Q Zhang, ZH Zhang, H Ma, & X Gao
食品标签
食品添加剂与配料 过程监测与在线检测 光谱/色谱/质谱等分析方法 统计建模与仿真 蛋白质与氨基酸计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据蒸煮大豆的消化率(DRSS)、酒曲中的蛋白酶活性(PAK)以及醪液中的甲醛氮含量(FNCM)是监测酱油生产的关键指标。目前,这些指标的监测依赖于工人的经验,这有时会导致原料利用率低下甚至发酵失败。在大豆蒸煮、酒曲发酵以及醪液发酵过程中,使用微型纤维光谱仪收集了近红外光谱。这些光谱通过四种预处理方法进行了优化,并使用偏最小二乘法(PLS)、改进的偏最小二乘法(iPLS)和稀疏偏最小二乘法(Si-PLS)构建了回归模型。在预测集中的模型评估基于相关系数(Rp)和均方根误差(RMSEP)。结果表明,DRSS 的 Rp 为 0.9327,RMSEP 为 4.37%;PAK 的 Rp 为 0.9364,RMSEP 为 228 U/g;FNCM 的 Rp 为 0.9237,RMSEP 为 0.148 g/100 mL。上述结果结合验证实验表明,所开发的原位实时光谱系统能够确保高质量的酱油生产。
-
基于指示剂置换比色传感器阵列结合机器学习的六安瓜片茶采摘时期智能识别
查看原文2024
Food Research International
中科院一区JCR一区Yao Chen, Yuan Li, Li-Lin Lin, Yue Liao, Huan Fang & Tong Wang
食品标签
茶/茶饮料 品质、结构与理化性质 过程监测与在线检测 质构与流变测试 显微与成像技术 维生素 多酚与黄酮计算机标签
偏最小二乘法 随机森林 K-近邻 主成分分析/判别分析 卷积神经网络 其他深度学习结构 定量预测/回归分析 可见光/RGB/视频数据六安瓜片茶是中国名优绿茶,其品质与采摘时期密切相关,尤其是清明节前采摘的茶叶备受推崇。然而,快速准确区分不同采摘时期的茶叶具有挑战性。本研究开发了一种简单、低成本的指示剂置换比色传感器阵列结合智能手机成像的方法,用于快速识别不同采摘时期的六安瓜片茶。首先,通过高效液相色谱-二极管阵列检测器分析了清明节前后茶叶中多酚和氨基酸含量的差异。基于这些成分差异,合理设计了一个12通道的比色传感器阵列。通过智能手机捕获阵列响应,并使用多种机器学习模型(包括PLS-DA、PCA-LDA、K-NN、RF、1D-CNN和BP-ANN)处理产生的颜色差异数据。性能最佳的模型在二分类(清明节前 vs. 后)中预测准确率高达97%,在基于精确采摘日期的更详细的五分类中达到86.7%。该方法展现出高准确性、环境友好性(AGREE评分:0.88)和实用性,为茶叶行业快速质量评估与真伪鉴别提供了有前景的工具。
-
利用VIS-NIR高光谱成像和深度学习实现小麦颗粒中非破坏性高通量定量和营养物质可视化
查看原文2024
Food Chemistry
中科院一区JCR一区Taotao Shi, Yuan Gao, Jingyan Song, Min Ao, Xin Hu, Wanneng Yang, Wei Chen, Yanyan Liu, & Hui Feng
食品标签
肉类/蛋类与水产品 营养与生物功能 光谱/色谱/质谱等分析方法 常量营养素(宏量)计算机标签
深度学习 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集对农作物谷物中营养成分的高通量且低成本的定量分析对于食品加工和营养研究至关重要。然而,传统方法耗时且具有破坏性。本研究提出了一种利用可见光-近红外(400 - 1700 纳米)高光谱成像进行小麦营养成分高通量且低成本定量分析的方法。采用逐步线性回归(SLR)方法能够准确预测数百种营养成分(R2 > 0.6);当对高光谱数据进行一阶导数处理时,结果会有所改善。还使用了剔除材料来验证其实际应用价值。各种营养成分的特征波长主要集中在 400 - 500 纳米和 900 - 1000 纳米的可见光区域。最后,我们提出了一种改进的 pix2pix 条件生成网络模型来可视化营养成分的分布,并且与原始模型相比显示出了更好的结果。这项研究强调了高光谱技术在利用深度学习进行高通量且非破坏性的谷物营养成分测定和可视化方面的潜力。