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
-
基于紫外、近红外和荧光光谱结合化学分析,识别同一品牌的酒类
查看原文2023
Food Chemistry
中科院一区JCR一区Miao He, Xiaolong Chen, Jing Zhang, Jiawei Li, Dong Zhao, Yang Huang, Dangquan Hu, Xiaogang Liu & Changjun Hou
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
支持向量机 主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据精准识别同一品牌下的各类白酒,对于维护消费者权益和市场经济秩序具有重要意义。本文基于紫外光谱、近红外光谱及多维荧光光谱技术,研究了白酒的光谱特征;再将光谱特征与线性判别分析、支持向量机、反向传播神经网络等化学计量学方法相结合,实现不同白酒的区分鉴别。为提升白酒鉴别准确率、灵敏度与特异度,研究引入三种酸响应型量子点作为新增维度,构建了四维荧光光谱数据阵列。结合中层数据融合策略,该方法对同一品牌白酒的鉴别准确率、灵敏度、特异度分别可达99.17%、99.15%、99.96%。此外,基于MATLAB应用设计器开发了自动化分析平台,有效提升了光谱数据建模分析的效率。
-
通过智能感官技术、气相色谱-质谱联用、气相色谱-离子迁移谱和机器学习分析四种新型烤法对烤羊肉串风味的影响
查看原文2023
Food Chemistry: X
中科院一区JCR一区Che Shen, Yun Cai, Meiqi Ding, Xinnan Wu, Guanhua Cai, Bo Wang, Shengmei Gai & Dengyong Liu
食品标签
畜肉 传统热加工 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法计算机标签
支持向量机 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 多模态/融合数据为分析四种新型烤法(D:电烤箱、W:微波炉、K:空气炸锅、L:电烤炉)与T法(传统炭火烤制)对烤羊肉串感官评价、智能感官技术(电子鼻和电子舌)及挥发性有机化合物的影响。采用HS-SPME-GC-MS和HS-GC-IMS分析VOCs。此外,整合基于色谱的方法、智能感官技术和感官评价的数据进行多变量统计分析,并使用五种机器学习模型预测VOCs和烤法。与T法相比,K法和L法产生了更高浓度的不饱和醛类、酮类和酯类。K法表现出独特的黄油味。卷积神经网络-支持向量机模型在预测VOCs和烤法方面表现出优越的性能。总体而言,K法和L法可作为生产烤羊肉串的新型烤法,且CNN-SVM模型可有效预测其风味特征。
-
基于MnO2纳米粒子与碳量子点的智能手机辅助比率比色和荧光探针用于三模亚硝酸盐测定
查看原文2023
Food Chemistry
中科院一区JCR一区Bo Peng, Chunjuan Wang, Xueyan He, Yongjun Ma, Min Zhou, Xin Ma, Shengguo Zhao & Yanjun Fang
食品标签
化学污染物计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据本文构建了一种基于二氧化锰纳米颗粒(MnO₂NPs)与碳量子点(CQDs)的三模式比色-荧光传感检测体系,用于亚硝酸盐的定量测定。二氧化锰纳米颗粒可将3,3′,5,5′-四甲基联苯胺(TMB)氧化生成蓝色氧化产物(TMBox),该产物可进一步被亚硝酸盐氧化为黄色二亚胺衍生物。在紫外-可见检测模式中,以652 nm与452 nm处的吸光度比值作为信号响应进行检测;同时构建了碳量子点荧光猝灭型探针,用于荧光检测模式。借助智能手机工具采集样品颜色,实现基于智能手机的定量检测。研究获取并对比了不同检测模式下的各项分析性能指标。将该传感方法应用于食品样品检测,加标回收率为83.3%~106%,检测结果与美国官方分析化学家协会(AOAC)标准分光光度法验证一致。该三模式检测方法准确度高、操作简便、成本低廉且检测快速,可用于食品及水体样品中亚硝酸盐的现场快速检测。
-
使用便携式拉曼光谱仪快速检测芝麻油多重掺假
查看原文2023
Food Chemistry
中科院一区JCR一区Xue Li, Du Wang, Fei Ma, Li Yu, Jin Mao, Wen Zhang, Jun Jiang, Liangxiao Zhang & Peiwu Li
食品标签
植物油 食品安全与风险评估 过程监测与在线检测 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 红外/拉曼光谱数据 小规模数据集多重掺假是不法商贩为规避传统掺假检测手段而常用的造假方式。本研究提出采用便携式拉曼光谱仪实现芝麻油多重掺假的快速检测。研究分别采用混合物单纯形理论与D-最优混料设计两种策略开展变量筛选与模型评价工作。基于混合物单纯形理论,通过对芝麻油及四种掺假油预处理后的拉曼光谱进行正交偏最小二乘判别分析,筛选出特征重要变量。同时,利用单类偏最小二乘法构建多重掺假鉴别模型,并借助D-最优混料设计配制的代表性掺假样品完成模型验证。验证结果表明,40份掺入四种不同掺假油的芝麻油样品均可被准确鉴别,说明拉曼光谱技术可有效用于芝麻油多重掺假检测,尤其适用于现场快速检测场景。
-
机器学习和宏基因组学揭示了中国多个养鸡场和屠宰场共享的抗菌素耐药性特征
查看原文2023
Nature Food
中科院一区JCR一区Michelle Baker, Xibin Zhang, Alexandre Maciel-Guerra, Yinping Dong, Wei Wang, Yujie Hu, David Renney, Yue Hu, Longhai Liu, Hui Li, Zhiqin Tong, Meimei Zhang, Yingzhi Geng, Li Zhao, Zhihui Hao, Nicola Senin, Junshi Chen, Zixin Peng, Fengqin Li & Tania Dottorini
食品标签
禽肉 食品安全与风险评估 微生物安全 组学与高通量技术 统计建模与仿真 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据 大规模数据集中国是全球最大的抗菌药物消费国,改进监测方法有助于减少抗菌药物耐药性(AMR)的传播。在此,我们报告了对中国三个省份的十家大型养鸡场及四家相关屠宰场在两年半时间内的监测情况。我们采用基于机器学习的数据挖掘方法,分析了来自鸡只、胴体和环境的 461 个微生物群落,发现了 145 种可能在鸡与环境之间相互转移的抗生素耐药基因(ARGs),这些基因在所有养殖场中都存在于鸡与环境之间。从鸡肠道微生物群中提取的核心 233 种 ARGs 和 186 种微生物物种与同肠道中定植的埃希氏菌(包括弧杆菌属、不动杆菌属和丝状杆菌属等对人类有临床意义的菌种)的 AMR 情况相关联,其中还包括 38 种临床相关的 ARGs。鸡舍内的温度和湿度也与 ARG 的存在相关联。我们揭示了环境、微生物群落和 AMR 之间复杂的相互关系网络,表明在畜牧业生产中改善 AMR 监测存在多种途径。