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Au-Ag的OHCs传感器结合深度学习CNN算法,用于定量茶叶中的thiram和吡美托肼
查看原文2023
Food Chemistry
中科院一区JCR一区Huanhuan Li, Xiaofeng Luo, Suleiman A. Haruna, Muhammad Zareef, Quansheng Chen, Zhen Ding & Yiyong Yan
食品标签
茶/茶饮料 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 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品中的农药残留检测已变得愈发重要。本文构建了一种将表面增强拉曼散射(SERS)与智能算法相结合的方法,用于茶叶中农药残留的快速、灵敏检测。以八面体氧化亚铜为模板制备出金-银八面体空心笼(Au-Ag OHCs),该材料凭借粗糙边缘与中空内部结构增强了表面等离子体效应,实现了农药分子拉曼信号的放大。随后,将卷积神经网络(CNN)、偏最小二乘法(PLS)与极限学习机(ELM)算法应用于福美双和吡蚜酮的定量预测。其中卷积神经网络算法对福美双和吡蚜酮的检测效果最优,相关系数分别为0.995、0.977,检出限分别达0.286ppb、29ppb。在茶叶样品检测中,该新建方法与高效液相色谱法(HPLC)的检测结果无显著差异(P>0.05)。综上,所建立的基于金-银八面体空心笼的表面增强拉曼散射技术可用于茶叶中福美双与吡蚜酮的定量检测。
-
基于智能手机的pH响应式三通道比色生物传感器,用于非酶多抗生素残基
查看原文2023
Food Chemistry
中科院一区JCR一区Xiaotian Zhou, Siyuan Fu, Jiahua Li, Yuhan Yi, Yaqi Hu, Ji Lu, Chao Yang, Jinfeng Miao & Yuanyuan Xu
食品标签
液态乳 化学污染物计算机标签
智能手机/其他 定量预测/回归分析 时序传感器/物联网数据动物源食品中的抗生素残留会对食品安全与人体健康构成威胁。本文构建了一种基于智能手机的pH响应型三通道比色生物传感器,用于快速检测牛奶中的非酶多重抗生素残留。该体系设计了一种磁分离富集方法,可在复杂环境中特异性捕获不同种类的抗生素残留。将具有优异pH响应可视化性能的聚多巴胺-银纳米颗粒负载指示剂,以此保障检测体系具备高灵敏度。此外,引入智能手机,满足实际应用中现场便携检测的需求。该方法可同时检测土霉素、卡那霉素与链霉素,线性检测范围为1~105皮克每毫升,检出限分别为0.085皮克每毫升、0.168皮克每毫升和0.307皮克每毫升。通过对实际牛奶样品的检测,成功验证并评估了该多重抗生素残留检测体系的实际应用价值。因此,该检测体系在多重抗生素残留分析及食品安全保障领域具备广阔的应用前景。
-
用于认证受保护原产地指定(PDO)的经济型比色传感器 龙井绿茶
查看原文2023
Food Chemistry
中科院一区JCR一区Zhengyu Ren, Zhiwei Hou, Guojian Deng, Lunfang Huang, Nanfeng Liu, Jingming Ning & Yujie Wang
食品标签
茶/茶饮料计算机标签
支持向量机 分类/鉴别/等级评定 时序传感器/物联网数据受保护原产地(PDO)茶叶的溯源与真伪鉴别,是保障其生产流通体系的重要前提。本研究构建了由天然花青素与可食用金属离子组成的指示剂置换阵列(IDA)传感器,用于鉴别不同产地的原产地保护龙井与非原产地保护龙井。研究选取五种指示剂置换阵列单元构建传感器体系,通过加入表没食子儿茶素没食子酸酯溶液引发指示剂置换反应实现传感构建。将制备所得传感器应用于实际茶叶样品检测,采用无监督算法对原产地保护茶叶与非原产地保护茶叶进行数据特征挖掘。有监督支持向量机(SVM)模型进一步实现了两类龙井茶叶的精准鉴别,对26份验证样品的分类准确率达100%。该指示剂置换阵列传感器可在安全无害、低成本的条件下实现原产地保护茶叶的精准真伪鉴别,也为其他农产品的产地溯源鉴别提供了实用技术手段。
-
新鲜和冻融牛肉的MRI-计算机视觉:分类和质量预测的方法学优化
查看原文2023
Meat Science
中科院一区JCR一区Trinidad Perez-Palacios, Mar Avila, Teresa Antequera, Juan Pedro Torres, Alberto Gonzalez-Mohino & Andrés Caro
食品标签
畜肉 微观结构与成像 常规理化指标测定 质构与流变测试 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据本研究旨在评估磁共振成像(MRI)与计算机视觉技术对新鲜(生鲜F,n=12)及冻融(FT,n=12)牛肉进行分类的能力,并通过优化图像分析方法(算法)与数据分析方法(回归器)、测试不同算法‑回归器组合,来预测牛肉的理化、质构及感官特性。分类与预测结果的准确性尤其取决于所采用的算法。研究发现,针对分类任务(分形算法结合条件随机森林、随机森林或支持向量机)、生鲜冻融牛肉品质参数预测(分形算法‑条件随机森林或分形算法‑随机森林)以及熟制冻融牛肉品质参数预测(经典算法‑随机森林),分别存在最优组合。因此,基于磁共振成像的计算分析(尤其是图像分析算法)可根据研究目标(分类或预测)及样品类型(生鲜或熟制)进行设定,而待分析的具体特性对此影响不大。本研究首次证实,磁共振成像能够以无损方式对牛肉(生鲜新鲜牛肉 vs. 生鲜冻融牛肉)进行分类,并测定其品质特性。
-
基于非靶向代谢组学与机器学习方法按气候与产区鉴别绿豆
查看原文2023
Food Control
中科院一区JCR一区Lei He, Qian Hu, Yue Yu, Yaoxian Yu, Ning Yu, & Ying Chen
食品标签
豆类与坚果(及籽类) 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
偏最小二乘法 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据绿豆因兼具丰富的营养价值与生物活性功能,是我国重要的食用豆类作物。然而,不同气候带及种植产区的绿豆品质特征仍有待明确。本研究采用基于超高效液相色谱 - 四极杆飞行时间质谱(UPLC-QTOF-MS) 的非靶向代谢组学技术,结合机器学习方法,对不同气候带及种植产区的绿豆进行对比分析与产地判别。基于正交偏最小二乘判别分析(OPLS-DA) 的结果显示:在 3 个气候带的绿豆样品中鉴定出 39 种差异代谢物,在 11 个种植产区的样品中鉴定出 35 种差异代谢物。这些差异代谢物主要包括脂质类、黄酮类、大豆皂苷类、氨基酸类、多肽类、吲哚类衍生物及有机酸类物质。研究进一步构建并优化了随机森林(RF) 与支持向量机(SVM) 模型,用于不同气候带及种植产区绿豆的判别分析。结果表明,支持向量机模型的判别性能优于随机森林模型,其对绿豆气候带与种植产区的判别准确率分别达到100% 和98.72%。
本研究证实,非靶向代谢组学结合机器学习技术,可作为鉴别不同气候带及种植产区绿豆的有效手段。