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
-
广义及异相二维相关分析结合三维卷积神经网络评估猪肉脂肪氧化
查看原文2023
Food Control
中科院一区JCR一区Jiehong Cheng, Jun Sun, Kunshan Yao, & Chunxia Dai
食品标签
畜肉 品质、结构与理化性质 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
深度学习 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱脂质氧化是导致肉类品质劣变的主要原因。高光谱成像(HSI)技术作为一种无损检测方法已备受关注,但猪肉高光谱数据存在复杂性与波段重叠问题,导致波段解析难度大、计算负荷过高。本研究提出一种结合二维相关光谱(2D-COS)分析的轻量化三维卷积神经网络(3D-CNN)模型,用于实现冷冻猪肉脂质氧化程度的监测。通过广义二维相关光谱分析,本研究完成了可见 - 近红外(vis-NIR)高光谱成像的波段解析,并实现了猪肉劣变过程中各事件的变化序列监测。研究发现,硫肌红蛋白与氧合肌红蛋白易发生变化,且硫肌红蛋白和高铁肌红蛋白的分解过程发生于氧合肌红蛋白生成之前。此外,本研究首次采用异谱二维相关光谱分析,将可见 - 近红外光谱与荧光光谱进行关联分析,以挖掘可见 - 近红外高光谱成像的更多特征波段。基于筛选出的特征波段高光谱图像,研究构建了轻量化 3D-CNN 回归模型,用于硫代巴比妥酸反应物(TBARS)含量的定量预测。结果显示,整合广义二维相关光谱与异谱二维相关光谱筛选出的波段,共得到 10 个特征波段。基于这些特征波段建立的 3D-CNN 模型,对 TBARS 含量的预测效果优良,预测决定系数(R p2)达 0.9214,预测均方根误差(RMSEP)为 0.0364 mg/kg。综上,本研究为可见 - 近红外高光谱成像的波段定位与解析提供了方法参考,同时构建了一种端到端的新技术方案,可实现猪肉氧化损伤的快速无损监测。
-
豌豆蛋白水解液的美拉德反应产物作为牛肉风味增强剂:对风味和物理化学性质的影响
查看原文2023
Food Chemistry
中科院一区JCR一区Zhilang Zheng, Lihui Zhang, Min Zhang, Arun S. Mujumdar and Yaping Liu
食品标签
畜肉 质构与流变性质 颜色与外观品质 特征风味 蛋白质与氨基酸计算机标签
偏最小二乘法 定量预测/回归分析本研究评估了豌豆蛋白水解物美拉德反应产物(MRPs-PPH)作为减盐、增鲜组分,对牛肉香精风味及理化特性的影响。添加豌豆蛋白水解物美拉德反应产物后,牛肉香精的亮度降低、红度与黄度升高,质构特性也发生改变。加入该产物后,牛肉香精的表观黏度、储能模量及损耗模量均有所下降。研究最终采用偏最小二乘回归分析法(PLSR)分析了样品味觉属性与风味化合物之间的关联,筛选出对不同味觉属性具有显著正向贡献的风味物质。本研究表明,豌豆蛋白水解物美拉德反应产物可作为一种源自生物大分子的天然风味增强剂,兼具减盐与增鲜功效。
-
一种针对不同产地霉心苹果光谱模型的迁移学习方法
查看原文2023
Food Control
中科院一区JCR一区Zhongxiong Zhang, Haoling Liu, Zichao Wei, Miao Lu, Yuge Pu, Liulei Pan, Zuojing Zhang, Juan Zhao, & Jin Hu
食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 循环神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据本研究采用补偿模型与迁移学习模型两种方法,旨在提升霉变苹果果核检测模型对不同产地样品的适应性。实验采集了扶风、灵宝两个产区苹果的光谱数据,以偏最小二乘判别分析(PLS-DA)模型和最小二乘支持向量机(LS-SVM)模型为基础,分别构建了各产地的局部模型、全局模型及基于迁移成分分析(TCA)的迁移学习模型。结果表明,补偿模型与基于 TCA 的迁移学习模型均能有效消除产地因素对模型性能的干扰。相较于补偿模型法,采用灵宝产区数据构建的基于 TCA 方法的 LS-SVM 模型,其特异性与准确率分别提升了 9.09% 和 4.54%。外部验证实验进一步验证了上述理论结果的可靠性。本研究为解决单一产地模型适应性差的问题提供了切实可行的方案,同时也为霉变苹果果核的光谱检测建立了一套可靠且通用的方法。
-
基于机器学习的炸油中总极性化合物(TPC)含量预测分析:对6种不同油炸油在不同油炸时间点的综合电化学研究
查看原文2023
Food Chemistry
中科院一区JCR一区Anoop C. Patil, Arjun Kesav Mugilvannan, Junmei Liang, Yuan-Rong Jiang & Untzizu Elejalde
食品标签
植物油 传统热加工 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 定量预测/回归分析色谱法等测定煎炸油中总极性化合物含量的常规检测方法,存在检测耗时久、设备体积大、检测成本高的问题。本文采用电化学分析法,在无需样品前处理的条件下,对6种煎炸油、共计52个煎炸时间节点的样品开展检测研究。该方法借助阻抗光谱技术,采集不同样品特有的电极化状态信号。据现有文献所知,本研究首次针对多种煎炸油开展系统性综合探究,且每种油品均设置梯度递增的煎炸时间节点。主成分分析结果可对所有油品的不同煎炸时间节点实现有效区分。研究进一步结合留一法逐样本实施有监督机器学习,建立总极性化合物含量预测模型。测试样本的决定系数介于0.93~0.97之间,平均绝对误差为0.43~1.19。本研究可为煎炸油电化学检测分析提供理论参考,也为研发便携式总极性化合物检测设备、实现煎炸油快速精准筛查提供了应用潜力。
-
手持式元素扫描仪在虾产地认证中的新应用
查看原文2023
Food Control
中科院一区JCR一区Jasmin C. Martino, Jagoda Crawford, Patricia Gadd, Jesmond Sammut, Neil Saintilan, & Debashish Mazumder
食品标签
甲壳类 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据元素指纹图谱技术已发展为一种高效的端到端食品产地溯源工具,但多数检测仪器依赖实验室操作,存在分析耗时久、难以普及的问题,阻碍了该技术在食品行业的规模化应用。为解决上述痛点,本研究以澳大利亚不同产地的斑节对虾(Penaeus monodon)为研究对象,评估了手持式 X 射线荧光光谱(XRF)扫描仪作为原位快速检测手段的产地溯源性能。为明确该技术在水产品产地溯源中的应用局限与潜力,研究系统考察了产地分类维度(采样位点、行政辖区、养殖模式)、样品前处理方式(熟制 vs 生鲜)及生物学性状(甲长、体重、性别)三类因素,解析其对多元元素指纹图谱的主导影响机制。结果表明,采样位点是影响元素指纹图谱的核心变量,其特异性作用显著超过行政辖区与养殖模式(养殖 vs 野生)的贡献。生鲜样品的元素指纹图谱在不同类别间差异更显著,因此更适用于产地溯源分析。为模拟技术的实际应用场景,研究构建并验证了机器学习分类模型,实现对斑节对虾的采样位点、行政辖区及养殖模式的精准判别。基于生鲜样品数据的模型表现出优异的判别准确率:采样位点判别准确率达 87.5%,行政辖区判别准确率为 98%,养殖模式判别准确率高达 100%。综上,本研究证实,手持式 XRF 技术作为产地溯源的一线筛查技术,可在市场交易现场或供应链环节发挥实用价值。这一创新性技术有望推动便携式元素指纹图谱技术在供应链产地溯源中的普及应用,助力构建更具可持续性与伦理规范性的水产品贸易体系。