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
-
基于深度学习的智能手机便携式视觉比例荧光设备集成了智能凝胶标签,用于农产品新鲜度检测
查看原文2023
Food Chemistry
中科院一区JCR一区Zhiwei Lu, Mengjiao Li, Maoting Chen, Qirui Wang, Chun Wu, Mengmeng Sun, Gehong Su, Xianxiang Wang, Yanying Wang, Xinguang Zhou, Jiangshan Ye, Tao Liu & Hanbing Xiao
食品标签
水果/蔬菜与菌菇类/植物类 货架期预测与品质劣变动力学 显微与成像技术计算机标签
智能手机/其他 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据本文构建了一种智能手机辅助的双色比率型荧光智能凝胶标签可视化传感平台,基于生物胺响应实现农产品新鲜度的实时检测。以发射绿色荧光的碳点(CDs)与发射蓝色荧光的双金属金属有机框架(Fe/Zr-MOF)复合,制备得到双色CDs@Fe/Zr-MOF荧光纳米探针,作为传感响应单元。随着腐胺(SP)和组氨酸(HIS)含量升高,碳点的绿色荧光逐渐增强,而Fe/Zr-MOF的蓝色荧光发生猝灭。因此,该双色探针对生物胺呈现出明显的荧光颜色响应特性。该纳米探针具备灵敏的显色响应性能,在0~937.5 μM宽检测范围内,对腐胺和组氨酸的检出限分别为0.17 μM和2.95 μM。此外,将该荧光纳米探针固定于水凝胶载体并经冻干处理后,可制得智能荧光水凝胶标签,实现对猪肉和虾仁样品中腐胺与组氨酸的实时定性监测。
-
使用带有新型多任务遗传编程方法的近红外光谱预测多种食品质量参数
查看原文2023
Food Control
中科院一区JCR一区Yu Yang, Shangpeng Sun, Leiqing Pan, Min Huang, & Qibing Zhu
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
支持向量机 定量预测/回归分析 红外/拉曼光谱数据为满足日益增长的食品安全与品质检测需求,食品工业领域亟待开发可同时快速测定多项食品品质参数(FQPs)的新技术。将近红外光谱(NIR)技术与光谱预测模型相结合,实现食品品质参数的快速、可重复、无损且低成本定量分析,目前已在食品工业中得到越来越广泛的应用。然而,现有多数基于光谱的预测模型均建立在单任务学习框架下,即针对每一项品质参数单独构建对应的光谱预测模型。这种建模范式忽略了不同食品品质参数预测任务之间潜在的关联性,可能导致单一品质参数预测模型的性能下降。本研究提出一种基于遗传规划的新型多任务建模方法,命名为EM4GPO,旨在实现多项食品品质参数的同步预测。在 EM4GPO 方法中,研究人员利用多维树结构对原始近红外光谱数据进行编码,提取多项品质参数的共享特征;针对每一项品质参数,在共享特征的基础上构建最小二乘支持向量回归(LS-SVR)模型,以挖掘专属特征并建立预测模型;在模型优化阶段,本研究开发了一种全新算法,将多维多分类遗传规划、多维种群优化方法与非支配排序法相结合,通过种群进化实现对已提取的共享特征、专属特征及 LS-SVR 预测模型的协同优化。研究人员采用 10 组近红外光谱数据集,对所提出的 EM4GPO 模型进行验证,并与 9 种主流近红外预测模型展开性能对比。实验结果表明,EM4GPO 模型在所有数据集上的表现均优于其他常用方法,证实该方法在基于近红外光谱的多食品品质参数同步预测任务中具有显著的竞争力与有效性。
-
利用算法辅助表面增强拉曼光谱监测油脂氧化和脂肪酸谱
查看原文2023
Food Chemistry
中科院一区JCR一区Tanya Nagpal, Vikas Yadav, Sunil K. Khare, Soumik Siddhanta & Jatindra K. Sahu
食品标签
植物油 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
其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据食品深度油炸过程中会生成脂质氧化产物,这类产物不仅会导致油脂品质劣变,还会对人体健康构成潜在风险。因此,研发一种快速、精准的油脂品质与安全检测技术十分必要。本研究采用表面增强拉曼光谱(SERS)结合先进化学计量学方法,实现对油脂过氧化值(PV)及脂肪酸组成的原位、快速无标记检测。研究中,选用经等离子体调控且具备生物相容性的银@金核壳纳米粒子作为表面增强拉曼光谱基底,可在基质干扰条件下获得最优光谱增强效果,从而高效检测油脂组分。表面增强拉曼光谱与人工神经网络(ANN)方法强强联用,对脂肪酸图谱及过氧化值的检测准确率可达99%。此外,该表面增强拉曼光谱-人工神经网络检测方法对低于2%的低含量反式脂肪定量检测准确率高达97%。由此可见,本研究构建的算法辅助表面增强拉曼光谱检测体系,能够实现油脂氧化状态的便捷快速监测与现场即时检测。
-
整合非靶向蛋白质组质谱与机器学习筛查熟牛肉掺假样品
查看原文2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Keyuan Pu, Jiamin Qiu, Yongqi Tong, Bolin Liu, Zibin Cheng, Siyu Chen, Wen-Xiu Ni, Yan Lin, & Kwan-Ming Ng
食品标签
畜肉 禽肉 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 蛋白质组学 蛋白质与氨基酸计算机标签
偏最小二乘法 梯度提升决策树 定量预测/回归分析 红外/拉曼光谱数据 组学数据热加工肉制品中的成分降解使真实性鉴别具有挑战性。本研究采用基质辅助激光解吸/电离飞行时间质谱(MALDI-TOF MS)获取生牛肉、鸡肉、鸭肉、猪肉以及二元模拟掺假牛肉样品(鸡肉-牛肉、鸭肉-牛肉和猪肉-牛肉)及其热加工样品的蛋白质谱。研究通过偏最小二乘判别分析筛选生样品与相应热加工样品重叠的特征蛋白离子峰,识别出热稳定特征蛋白。基于 36 个热稳定特征蛋白,研究利用极端梯度提升实现生肉和热加工肉的定性分类;同时采用偏最小二乘回归对模拟掺假牛肉样品的掺假比例进行定量分析。盲测验证显示该方法平均准确率为 97.4%。方法检出限和定量限分别为 5% 和 8%,表明其在牛肉真实性鉴别中具有实际应用价值。
-
掺假芝麻油FTIR光谱预处理方法论方法
查看原文2023
Food Chemistry
中科院一区JCR一区Rasool Khodabakhshian, Hajarsadat Seyedalibeyk Lavasani & Philipp Weller
食品标签
植物油 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/拉曼光谱数据傅里叶变换红外(FTIR)光谱法已被确立为一种高效、快速的检测食品及食用油脂等品类真伪的技术手段。然而,光谱精准分析中至关重要的预处理步骤,目前尚无统一标准操作流程。本研究针对掺入菜籽油、玉米油、葵花籽油等植物油的芝麻油傅里叶变换红外光谱,提出一套光谱预处理方法体系。研究重点考察的主流预处理方法包括正交信号校正(OSC)、标准正态变量变换(SNV)及扩展多元散射校正(EMSC);同时将其他预处理方法单独使用或与上述主流方法组合联用。采用偏最小二乘回归(PLSR)对各预处理效果进行对比分析。结果表明,正交信号校正单独使用或结合去趋势处理时,对芝麻油掺假比例的预测精度最高,针对不同掺假油脂,其预测决定系数(R²p)最高可达0.910~0.971。