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 114 条结果
-
基于脂肪酸气相色谱指纹图谱结合机器学习的花生油掺假智能识别策略
查看原文2026
Food Chemistry: X
中科院一区JCR一区Guanglin Su, Ziwei Yao, Dan Wang, Xin Lv, Wenyang Jia, Ju Hui, Bojun Chu, Xiangyu Wang, Qianchun Deng, Honggang Huang & Fang Wei
食品标签
植物油 其他安全问题 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据本研究建立了一种基于机器学习的花生油掺假智能鉴别方法。共制备32个纯花生油样品与126个掺假样品,其中分别掺入5%~30%的大豆油、棕榈油、棉籽油或葵花籽油。纯油与掺假油的脂肪酸轮廓高度相似,采用主成分分析或热图难以有效区分。通过应用4种有监督机器学习算法(支持向量机SVM、随机森林、偏最小二乘、决策树),分类准确率得到显著提升。SVM模型表现最优,对单一掺伪与混合掺伪样品的识别准确率可达98.18%~100%。SHAP分析确定木焦油酸(C24:0)为关键掺假标志物。回归模型在训练集与测试集的决定系数R²分别为0.9153和0.7254。该方法为花生油掺假鉴别提供了准确、可解释的技术手段。
-
融合荧光与可见-近红外吸收和散射特性改进天然污染花生油中 AFB1 预测
查看原文2026
Food Control
中科院一区JCR一区Xueming He, Yuanji Xiao, Yongnan Lu, Xiaoyun Yang, & Fang Zhang
食品标签
豆类与坚果(及籽类) 植物油 食品安全与风险评估 颜色与外观品质 光谱/色谱/质谱等分析方法 常规理化指标测定 多酚与黄酮计算机标签
循环神经网络 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据花生油在生产过程中容易受到黄曲霉毒素 B1 污染。针对霉变原料制备花生油中 AFB1 快速、无损、准确检测的挑战,本研究提出一种融合 AFB1 特征荧光光谱与可见光和近红外范围吸收系数、约化散射系数的方法,以减轻样品基质变化带来的干扰。研究通过理化分析追踪两种花生品种在 AFB1 污染下关键品质指标的变化。结果显示,随着 AFB1 污染增加,维生素 E 和多酚含量下降,而类胡萝卜素和叶绿素水平升高;同时油脂颜色参数和黏度也出现系统性变化。研究采用多层次数据融合策略,并结合支持向量回归、径向基函数神经网络和长短期记忆网络等机器学习与深度学习算法。基于荧光、可见光吸收系数和近红外吸收系数的最优特征组合,实现了 AFB1 含量高精度定量预测,预测集决定系数为 0.884,预测均方根误差为 42.244 μg/kg;同时可准确判别污染状态,预测集正确分类率为 97.14%。与单独使用激光诱导荧光光谱相比,数据融合后模型性能显著提升,验证了所提出多源光学特征融合方法用于天然污染花生油中 AFB1 快速无损检测的有效性和实用性。
-
台式挥发组学与先进卷积神经网络工作流用于准确且可解释的食品鉴定
查看原文2026
Food Chemistry
中科院一区JCR一区Farbod Bayat-Afshary, Nima Naderi Tehrani, Lukas Bodenbender, Philipp Weller, & Hadi Parastar
食品标签
新鲜水果 植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
卷积神经网络 主成分分析/判别分析 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 小规模数据集通过气相色谱-离子迁移谱(GC-IMS)分析挥发性有机化合物(VOCs)具有高灵敏度、分析快速且样品制备最少的优点,但其二阶数据使得峰对齐、特征提取和分类变得复杂。本研究提出了一种使用卷积神经网络(CNN)的深度学习(DL)工作流程,将GC-IMS色谱图视为图像。评估了两种CNN架构--简化型和复杂型--在橄榄油和柑橘数据集上的表现;简化模型分别实现了96.4%和98.3%的分类准确率。为了解决样本量有限的问题,开发了一种特定于GC-IMS的数据增强方法,该方法模拟合理的仪器漂移而不会化学性地扭曲信号。为了可解释性,显著性图揭示了判别特征,而主成分分析(PCA)将这些特征综合为每类的代表性负载图像,展示稳定的集体VOC特征,而非单个样本的解释。通过将化学计量学的可解释性与深度学习的预测能力相结合,该框架为GC-IMS数据分析提供了一种稳健且可解释的方法,适用于实际实验室部署。
-
结合离子迁移谱和机器学习的橄榄油地理来源真实性鉴别
查看原文2026
Food Control
中科院一区JCR一区Ana Isabel Rodríguez-Gutiérrez, Marta Barea-Sepúlveda, Oumaima Boutoub, María José Aliaño-González, Miguel Palma, & Ceferino Carrera
食品标签
新鲜水果 植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 其他植物化学物质计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据近年来,确保橄榄油等高价值农食产品地理来源真实性和可追溯性的需求显著增长,这既源于保护原产地名称保护产品的需要,也与出口市场质量标准合规有关。本研究优化了一种基于顶空-气相色谱-离子迁移谱的方法,用于分析来自西班牙、葡萄牙、摩洛哥和意大利四个产地橄榄油样品中的挥发性有机化合物。研究采用 Box-Behnken 设计和响应面法优化实验条件,获得最佳条件为:0.33 g 样品在 35 °C、500 rpm 振荡下孵育,顶空形成时间 9 min,进样体积 0.11 mL。通过重复性和中间精密度评估方法精密度,变异系数均低于 5%。随后,该方法被用于分析四个产地的 24 个商业橄榄油样品。基于 IMSS 方法进行先进机器学习分析后,随机森林算法建立的预测模型可准确区分不同地区样品。最后,研究基于随机森林算法开发了 Shiny 网页应用,并按最佳条件分析 4 个新的商业样品后输入算法,产地分类准确率达到 100%。同时,这些样品经香气品评专家三角测试分析,平均判别准确率为 68%。
-
利用电子鼻探索性评估混合橄榄油酸败强度及其质量分级潜力
查看原文2026
Food Control
中科院一区JCR一区Fedi Landoulsi, António M. Peres, Ana C.A. Veloso, Maissa Khemakhem, José Alberto Pereira, & Nuno Rodrigues
食品标签
植物油 品质、结构与理化性质 感官科学与消费者研究 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 缺陷/异物检测与定位 时序传感器/物联网数据 质构/流变/感官数据酸败是影响橄榄油商业分级的重要感官缺陷,但训练有素的感官评价小组耗时较长,并不总适合常规快速筛查。本研究评估了一种配备 9 个金属氧化物半导体传感器的自制电子鼻,用于混合橄榄油分类和酸败强度定量。研究将两批无缺陷特级初榨橄榄油按中等和强烈果香水平分别与酸败油混合,比例为 0%、2%、4%、8%、16%、32% 和 100%。在 0%-32% 的各果香水平和酸败添加水平下,每组制备 5 个独立样品。理化分析显示,含 32% 以下酸败油的混合油按常规指标仍可归为 EVOO 或 VOO,而感官评价根据酸败感知强度将 0% 和 2% 归为 EVOO,4% 和 8% 归为 VOO,16% 和 32% 归为 LOO。电子鼻结合线性判别分析后,在重复 K 折交叉验证中对中等和强烈果香油商业类别的平均灵敏度分别为 92% 和 95%。基于电子鼻信号轮廓建立的简单线性回归模型可预测 0-10 尺度上的酸败缺陷强度,R2 为 0.9851-0.9948,RMSE 为 0.23-0.43,RPD 为 3.5-16.6,LOD 为 0.5-1.0,LOQ 为 1.5-2.9。该原型电子鼻显示出作为橄榄油酸败快速质量筛查工具的潜力。