01 / 01

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
化学污染物

标签记录(计算机学者)

暂无筛选

共 187 条结果

  • 基于SERS结合化学计量学的粗棕榈油掺假检测

    2022
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Selorm Yao-Say Solomon Adade, Hao Lin, Hao Jiang, Suleiman A. Haruna, Alberta Osei Barimah, Muhammad Zareef, Akwasi Akomeah Agyekum, Nana Adwoa Nkuma Johnson, Md Mehedi Hassan, Huanhuan Li & Quansheng Chen

    食品标签

    植物油 化学污染物 光谱/色谱/质谱等分析方法

    计算机标签

    K-近邻 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

    食用粗棕榈油(CPO)是广泛应用于食品、医药及家庭烹饪等多个行业的重要油脂。但近年来,不断有报道指出食用粗棕榈油存在被有害苏丹染料掺伪的问题。本研究采用表面增强拉曼光谱(SERS)结合化学计量学方法,在900–1800 cm⁻¹拉曼峰区间内对粗棕榈油中的苏丹染料掺伪进行检测。实验所检测粗棕榈油样品中,苏丹染料质量浓度范围为0.005–4 ppm。主成分分析(PCA)模型对粗棕榈油中苏丹 II与苏丹 IV的检测准确率分别达到 99.88% 和 99.90%。线性判别分析(LDA)与 K 近邻算法(KNN)同样实现了对粗棕榈油中苏丹 II、苏丹 IV 染料的高检出率。该传感器对苏丹 II、苏丹 IV 的检出限分别低至0.0028 ppm和0.0019 ppm。Au@Ag 核壳结构 SERS 传感器的检测性能可与高效液相色谱法(HPLC)相媲美。本研究证实,表面增强拉曼光谱结合化学计量学可用于食用粗棕榈油的真伪鉴别。

  • 使用近红外光谱与化学计量学工具快速评估大麦中的恩镰孢菌素

    2022
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Elem Tamirys dos Santos Caramês, Karim C. Piacentini, Naara Aparecida Almeida, Viviane Lopes Pereira, Juliana Azevedo Lima Pallone & Liliana de Oliveira Rocha

    食品标签

    杂粮 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分

    计算机标签

    偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集

    大麦是世界上重要的作物,可能受到多种真菌的影响,其中镰刀菌因造成霉菌毒素污染而导致经济损失,是最相关的菌属之一。恩镰孢菌素(ENNs)是全球谷物中已发现的新兴霉菌毒素之一。目前,评估这些污染物的主要分析工具基于色谱技术,这些技术虽然有效但耗时且昂贵。在此背景下,本研究旨在评估近红外(NIR)光谱技术检测和/或分类大麦中恩镰孢菌素(ENN)含量的性能。研究了来自巴西三个不同地区的60份大麦样品,并通过UPLC-MS/MS测定了ENN含量。随后利用测得的含量基于红外光谱数据开发多变量模型。结果表明,样品中ENN的出现率很高(>70%),基于NIR数据建立的PLS-DA模型显示出足够的敏感性和特异性(分别为100%和94.2%),能够区分受污染和未受污染的大麦样品,证明NIR是监测这种新兴霉菌毒素的一种有前景的工具。

  • 基于纳米修饰比色传感器结合近红外光谱法无损检测玉米油中多种重金属

    2022
    Food Control
    中科院一区
    JCR一区
    查看原文

    Hao Jiang, Hao Lin, Jinjin Lin, Selorm Yao-Say Solomon Adade, Quansheng Chen, Zhaoli Xue, & Chenming Chan

    食品标签

    植物油 化学污染物 光谱/色谱/质谱等分析方法

    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

    本研究旨在开发一种新型纳米修饰比色传感器结合近红外光谱技术(NIRS) 的检测方法,用于玉米油样品中铅(Pb)、汞(Hg)两种重金属的检测。该比色传感器以化学响应染料为基底材料,通过引入高亲和力的二甲基嘧啶胺(DPA)与多孔二氧化硅纳米球(PSNs)进行修饰,实现了传感器灵敏度与稳定性的双重提升。研究人员借助嗅觉可视化系统,筛选出对铅、汞离子具有特异性响应的比色传感器,用于混合重金属体系的检测。实验采用近红外光谱仪(光谱范围 899.20~1724.71 nm)采集传感器的光谱响应数据,并结合多种偏最小二乘(PLS)模型,对玉米油中混合重金属的反射光谱数据展开分析。
    结果证实,该传感器对铅、汞具备优异的检测准确性。其中,蚁群优化偏最小二乘模型(ACO-PLS) 在低浓度重金属区间(10~100 ppb)表现出最优检测性能。在含有镁离子(Mg 2+)、锌离子(Zn 2+)、钴离子(Co 2+)、钠离子(Na +)、钾离子(K +)等干扰离子的玉米油样品中,该模型对铅、汞检测的预测决定系数(Rp2)分别达到 0.9793 和 0.9510,检出限(LOD)则分别低至 5 ppb 与 7 ppb。研究采用电感耦合等离子体质谱法(ICP-MS)验证了本方法的有效性与稳定性。综上,该方法为食用油中多组分重金属的无损检测提供了极具潜力的技术方案。

  • 使用智能手机内置Photometrix UVC®的低成本甘蔗烈酒中铜含量测定方法

    2022
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Fernanda C. Böck, Gilson A. Helfer, Adilson B. da Costa, Morgana B. Dessuy & Marco F. Ferrão

    食品标签

    酒精饮料 化学污染物 显微与成像技术 其他矿物质

    计算机标签

    偏最小二乘法 定量预测/回归分析 可见光/RGB/视频数据

    本研究利用智能手机进行数字图像分析,基于铜离子与双环己酮草酰二腙(cuprizone)形成蓝色络合物的原理,实现甘蔗酒(卡莎萨酒)样品中铜元素的定量检测。研究通过试验设计筛选出最优的络合反应条件,并系统评估了不同图像采集方案(外接相机搭配手机、手机内置相机)、不同感兴趣区域尺寸、图像采集距离、校准曲线浓度范围,以及采用偏最小二乘法(PLS)进行单变量、多变量曲线建模的影响。将该方法应用于 3 个实际样品与 2 个加标样品的检测,并以紫外 - 可见分光光度法作为参比方法进行比对,结果证实所建方法可准确测定铜含量。与传统检测技术相比,该方法具备便携、成本低廉、试剂消耗量少的优势。

  • 一种便携式智能手机辅助比率荧光传感器用于智能和可视化检测孔雀石绿

    2022
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Xiaoyue Yue, Yan Li, Sheng Xu, Junguang Li, Min Li, Liying Jiang, Mingsha Jie & Yanhong Bai

    食品标签

    鱼肉 化学污染物 显微与成像技术

    计算机标签

    智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据

    开发灵敏、可视化的智能快速检测方法用于兽药残留筛查,是保障食品质量与安全的关键。本研究以荧光性铝基金属有机框架纳米片(Al-MOF nanosheet)与罗丹明 B(RhB)为荧光探针,成功构建一种便携式、智能手机辅助的比率荧光传感器,以满足孔雀石绿(MG)的检测需求。所构建的比率荧光传感器可对孔雀石绿实现高灵敏、高选择性检测,在0.5–200 μg/mL宽范围内呈现良好的线性关系;定量线性范围为5.3–200 μg/mL。经计算,检出限(LOD)与定量限(LOQ)分别为1.6 μg/mL和5.3 μg/mL。以高效液相色谱法(HPLC)为参比,在加标鱼组织样品中对该方法进行实用性验证,得到了理想的回收率与相对标准偏差(RSD)。此外,本研究还制备了智能手机辅助的便携式荧光检测试纸,用于孔雀石绿的智能化检测。智能手机与荧光试纸联用的方案经济高效、省时便捷,可为现场开展孔雀石绿的定性鉴别与半定量分析提供一种可选策略。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号