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 114 条结果
-
利用便携式 SORS 设备对掺入葵花籽油的橄榄油进行多变量定量分析
查看原文2026
Food Control
中科院一区JCR一区G. Jiménez-Hernández, A. González-Casado, F. Ortega-Gavilán, J. García-Mena, & M.G. Bagur-González
食品标签
植物油 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 合成/仿真数据为主特级初榨和初榨橄榄油掺入低成本葵花籽油是重要的真实性和质量控制问题。本研究评估了基于空间偏移拉曼光谱(SORS)的便携式分析仪,利用多变量回归定量 EVOO/SFO 和 VOO/SFO 二元混合油。研究制备了两个混合油样本库:第一个覆盖 100%-20% 初榨橄榄油水平,用于校准和验证;第二个覆盖 98%-82% 初榨橄榄油水平,用于测试低浓度葵花籽油掺假。归一化空间分辨拉曼指纹通过 PLS-R 建模。模型预测初榨橄榄油含量的 RMSEP 为 4.96%,偏差接近 0,SEP 约为 4.56%-5%,并可检测低于 2% 的掺假油。相似性分析还表明,通过原始绿色 PET 瓶测得的光谱与玻璃小瓶测量高度相似,支持不开瓶直接检测。该方法为流通和零售环节橄榄油真实性监测提供了快速、无损和可持续工具。
-
使用电子鼻子和光谱技术鉴定芫荽油及掺假物鉴定
查看原文2025
Food Chemistry
中科院一区JCR一区Ingrid A. Moraes, Karine Cristine Kaufmann, Sylvio Barbon Junior, Marina G. Neves, Javier E.L. Villa & Douglas F. Barbin
食品标签
植物油 光谱/色谱/质谱等分析方法 其他理化与结构表征 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据芫荽油具备优异的抗菌、抗氧化及抗炎特性,是保健领域与食品保鲜中极具价值的产品。由于价值高且理化特性优良,这类油脂常成为掺假造假的目标,造假方式多为掺入廉价油脂或以其他油脂完全替代。本研究旨在采用无损、绿色、快速且可靠的方法,实现芫荽油真伪鉴别及掺假成分区分。研究对比了便携式拉曼光谱仪、近红外光谱仪与电子鼻的检测性能,结合数据驱动软独立建模分类法(DD-SIMCA)和单类偏最小二乘(OC-PLS)模型,对纯正芫荽油与掺假样品进行鉴别分析。数据驱动软独立建模分类法结合近红外光谱的鉴别准确率为87%,结合拉曼光谱可达97%;单类偏最小二乘模型近红外光谱鉴别准确率为69%,拉曼光谱最高可达95%。此外,研究仅利用掺假样品构建多分类模型,将掺假物质分为菜籽油、大豆油和棕榈油三大类。偏最小二乘判别分析(PLS-DA)可有效区分掺假油脂种类,结合拉曼光谱的分类准确率达97%。对比结果显示,拉曼光谱检测性能最优;而自研低成本电子鼻同样具备较高准确率,采用数据驱动软独立建模分类法准确率为94%,偏最小二乘判别分析准确率达96%,具备作为快速高效筛查工具的应用潜力。综上,多元统计分析技术与光谱检测设备联用,既可实现芫荽油真伪核验,又能精准判别掺假油脂种类,展现出良好的协同应用效果。
-
基于非靶向指纹光谱结合化学计学,快速分类山茶花种子品种及高通量脂肪酸定量分析
查看原文2025
Food Chemistry
中科院一区JCR一区Tuo Leng, Yuting Wang, Zhijun Wang, Xiaoyi Hu, Tongji Yuan, Qiang Yu, Jianhua Xie & Yi Chen
食品标签
豆类与坚果(及籽类) 植物油 品质、结构与理化性质 脂质与脂肪酸计算机标签
偏最小二乘法 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据山茶油是一种富含不饱和脂肪酸的优质植物油。本研究对比了光谱技术(近红外光谱与中红外光谱)及分析模型(判别分析、偏最小二乘回归与人工神经网络),旨在实现山茶籽品种分类,并对油脂及主要脂肪酸组成进行含量预测。主成分分析可有效区分不同品种的山茶籽。基于近红外光谱的判别分析模型对山茶籽品种的鉴别准确率达到100%。近红外光谱预测模型的整体性能优于中红外光谱模型,其中偏最小二乘回归模型效果优于人工神经网络模型。本研究验证了近红外光谱技术结合化学计量学方法,可用于山茶籽快速、高通量、无损鉴别的应用潜力。
-
基于近红外光谱和智能手机结合深度学习和多模态融合检测山茶油掺假
查看原文2025
Food Chemistry
中科院一区JCR一区Zhouwen Deng, Yun Zheng, Tao Lan, Liangxiao Zhang, Yong-Huang Yun & Weiming Song
食品标签
植物油 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 中等规模数据集山茶油(CO)因其营养价值与保健功效而备受认可,但高昂的价格使其极易遭遇掺假造假问题。针对市场上出现的菜籽油(RO)掺入山茶油的掺假现象,本研究构建了山茶油二元掺假检测体系。实验共配制243份不同菜籽油掺杂比例的山茶油样品,采用近红外(NIR)光谱技术获取掺假油样的光谱信息,同时对智能手机拍摄图像及视频所采集的视觉数据开展分析。基于视频数据训练的深度学习模型最高检测准确率可达96.30%。为进一步提升检测精度,研究融合光谱数据与视觉数据,采用多模态检测方法。总体而言,本研究提出了一种可实时鉴别山茶油真伪的全新方法,为应对日益严峻的食品安全问题提供了技术支撑,也为后续实现智能手机在线快速检测奠定了研究基础。
-
通过傅里叶变换近红外光谱对花生油中矿物油污染的定性和定量分析
查看原文2025
Food Chemistry
中科院一区JCR一区Jihong Deng, Hui Jiang& Quansheng Chen
食品标签
植物油 品质、结构与理化性质 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 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据新型污染物对食用油安全构成潜在威胁。本研究将傅里叶变换近红外光谱技术与化学计量学方法相结合,对花生油中的五种污染物进行定性与定量分析。研究结果表明,偏最小二乘判别分析分类模型可有效区分正常样品与受污染样品,分类准确率达100%。在具体污染物识别方面,该模型对柴油、白矿油和润滑油的识别准确率为100%,对煤油和机油的识别准确率为97.04%。定量分析结果显示,支持向量回归模型对柴油、白矿油和润滑油具有较高的预测精度,而偏最小二乘回归模型对煤油和机油表现出良好的预测能力。因此,近红外光谱技术可作为食用油安全监测的有效手段。