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
-
通过中红外光谱结合反向传播神经网络快速定量蜂王浆质量
查看原文2023
Food Chemistry
中科院一区JCR一区Di Chen, Cheng Guo, Wenjing Lu, Cen Zhang & Chaogeng Xiao
食品标签
蜂蜜等天然糖 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据 多模态/融合数据蜂王浆营养成分丰富,但其品质受储存条件影响极大。为实现蜂王浆品质的精准快速检测,本文融合常规理化指标与中红外光谱数据,采用支持向量机构建了蜂王浆定性判别模型;同时运用多种算法结合反向传播神经网络,建立了三项代表性品质指标的预测模型。研究结果表明,相较于经萨维茨基-戈莱平滑预处理的光谱数据模型(识别率95.83%),多源信息融合模型的识别率提升至100%。所建模型对水分、水溶性蛋白、总糖三项指标的均方误差分别为0.0032、0.0058、0.0069。该模型在校正集上检测精度稳定,预测相关系数分别维持在0.9353、0.9533、0.9563,可满足蜂王浆品质无损快速检测的应用需求。
-
利用激光镀膜电化学试纸带快速无预处理评估特级初榨橄榄油抗氧化能力
查看原文2023
Food Chemistry
中科院一区JCR一区Filippo Silveri, Annalisa Scroccarello, Flavio Della Pelle, Michele Del Carlo & Dario Compagnone
食品标签
植物油 抗氧化/抗炎等功能 其他植物化学物质计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据本文提出一种用于直接评估特级初榨橄榄油抗氧化能力的电化学纸基芯片分析装置。该自制装置由经二氧化碳激光纳米修饰的传感器,与经刻字机模压成型、用于特级初榨橄榄油取样和萃取的纸质试纸条组合而成。该装置对特级初榨橄榄油中最具代表性的邻苯二酚类物质——羟基酪醇和橄榄苦苷,展现出优良检测性能:在精制橄榄油体系中,检测灵敏度良好(羟基酪醇检出限为2微摩尔每升,橄榄苦苷检出限为0.6微摩尔每升)、线性范围宽(羟基酪醇:10~250微摩尔每升;橄榄苦苷:2.5~50微摩尔每升),且重现性优异(相对标准偏差小于5%,平行实验次数n=3)。将该装置应用于15种不同特级初榨橄榄油样品的免萃取检测分析,样品加标回收率表现理想(90%~94%,相对标准偏差小于5%,n=3),检测结果与传统光度分析法具有良好相关性(相关系数r≥0.91)。该装置集成全部分析流程,仅需4微升样品量,2分钟内即可输出可靠检测结果,具备便携特性,可搭配智能手机完成检测应用。
-
分批制作和连续搅拌丹麦黄油饼干的区别。近红外高光谱成像研究
查看原文2023
Food Chemistry
中科院一区JCR一区José Manuel Amigo, Birthe Møller Jespersen, Frans van den Berg, Jørgen Juul Jensen & Søren B. Engjelsen
食品标签
饼干/薄脆制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据丹麦黄油曲奇是一款知名的甜点食品。该产品市场需求量大、产量需求高,规模化生产面临诸多挑战,亟需采用不同生产策略,在维持高品质标准的同时提升产能。目前常用的两种生产线工艺为间歇式面团调制与连续式面团调制。即便采用相同配方,两种生产方式制作出的曲奇在口感质地与外观形态上仍存在差异。这类差异并不会降低产品整体品质,但口感质地的区别清晰可辨。本文采用近红外高光谱成像技术结合化学计量学方法,对烘焙后的曲奇开展理化特性差异分析。研究表明,间歇式与连续式生产工艺所制曲奇的口感质地差异,主要源于曲奇表面及表层附近隐性区域形成的蔗糖晶体结构差异;同时,连续式生产工艺下,曲奇表面黄油脂肪迁移析出斑点的形成趋势也更为明显。
-
通过开发实时SPME GC–MS结合化学计量分析,研究亚麻籽烘焙过程中风味变化
查看原文2023
Food Chemistry
中科院一区JCR一区Xing-Ling Ma, Xing-Cai Wang, Jia-Ni Zhang, Jia-Nan Liu, Meng-Han Ma, Feng-Lian Wang, Yi Lv, Yong-Jie Yu & Yuanbin She
食品标签
豆类与坚果(及籽类) 传统热加工 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定烘焙过程中的挥发性化合物变化在亚麻籽相关制品中起着至关重要的作用。本研究提出一种高通量表征亚麻籽风味动态变化的新方法。采用全新建立的实时固相微萃取-气相色谱质谱联用技术,对不同烘焙时间下释放的挥发性化合物进行了全面研究。利用自主研发的高级气相色谱质谱数据分析软件AntDAS-GCMS对原始数据文件进行处理。通过主成分分析、偏最小二乘判别分析等化学计量学方法,明确了不同烘焙时间样品之间的差异。最终,从11类香气物质中精准鉴定出51种化合物,并结合标准品完成确证,同时探究了其含量随烘焙时间的变化规律。综上,本研究为工业烘焙过程中挥发性化合物的在线监测提供了全新解决方案。
-
一种便携式黄水葡萄糖检测传感器,基于花形双金属有机框架,装载银纳米颗粒,结合机器学习
查看原文2023
Food Chemistry
中科院一区JCR一区Yi Ma, Yinjiang Leng, Danqun Huo, Dong Zhao, Jia Zhao, Peng Zhao, Huisi Yang, Feifeng Li & Changjun Hou
食品标签
其他饮料 品质、结构与理化性质 其他理化与结构表征 碳水化合物与糖类计算机标签
机器学习/统计学习 其他深度学习结构 定量预测/回归分析 时序传感器/物联网数据本研究通过水热法合成了一种花状镍钴双金属金属有机框架(NiCo-MOF),并采用化学还原法在其表面修饰银纳米颗粒(AgNPs),构建了无酶电化学葡萄糖传感器。该NiCo-MOF纳米材料具有较大的比表面积与良好的传感性能;银纳米颗粒可提升金属有机框架的电化学性能,赋予其优异的电化学活性。该传感器在0.005–1.125 mmol/L和1.525–5.325 mmol/L两个线性范围内,灵敏度分别为1191.84 μA·mM⁻¹·cm⁻²、271.19 μA·mM⁻¹·cm⁻²,检出限为2.3 μmol/L。研究以人工神经网络作为机器学习(ML)模型,将该传感器成功应用于黄水(HS)中的葡萄糖含量检测。所构建机器学习模型的决定系数$R^2$接近1、均方根误差(RMSE)低、相对分析误差(RPD)高,表现出极佳的拟合与预测能力。本研究可为黄水体系中葡萄糖的快速、便携式智能传感检测提供新的技术支撑。