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¹H-NMR指纹图谱与化学计量学的逐步策略测定橄榄油混合物中植物油含量
查看原文2022
Food Chemistry
中科院一区JCR一区Rosa María Alonso-Salces, Luis Ángel Berrueta, Beatriz Quintanilla-Casas, Stefania Vichi, Alba Tres, María Isabel Collado, Carlos Asensio-Regalado, Gabriela Elena Viacava, Aimará Ayelen Poliero, Enrico Valli, Alessandra Bendini, Tullia Gallina Toschi, José Manuel Martínez-Rivas, Wenceslao Moreda & Blanca Gallo
食品标签
植物油 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本文提出一种分步鉴别策略:采用食用油脂的氢核磁共振指纹图谱(¹H NMR fingerprinting),结合决策树架构下的多组多元分类与回归模型,实现橄榄油及其标称与其他植物油调配产品的真实性保障和溯源判别。研究对象包括初榨橄榄油、橄榄油两大类别,及其与常见植物油的调配油,所述植物油包括葵花籽油、高油酸葵花籽油、榛子油、牛油果油、大豆油、玉米油、精炼棕榈油精以及去甾醇高油酸葵花籽油。偏最小二乘(PLS)判别分析构建出稳定、稳健的二分类模型,可有效判别橄榄油种类及调配油中掺杂的植物油种类;PLS 回归模型则具备优异的精密度与可接受的准确度,能够定量测定调配油中其他植物油的占比。经盲样验证,该方法表现良好,证实其可作为监管机构与质控部门的合规检测技术手段。
-
基于中试规模可见-近红外光谱结合深度学习算法的油炸方便面在线质量保证研究
查看原文2022
Food Control
中科院一区JCR一区Rohit Upadhyay, Anshul Gupta, Hari Niwas Mishra, & Shrinivasa N. Bhat
食品标签
油炸食品 加工与新加工技术 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常量营养素(宏量)计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 红外/拉曼光谱数据本研究采用在线可见 - 近红外光谱技术(光谱范围 380~1650 nm) 结合深度学习算法,对中试生产线制备的油炸方便面的多项品质指标进行检测分析。为构建稳健的校正模型,研究选取了覆盖范围较广的方便面核心品质指标:水分含量(1.6%~11.04%)、粗蛋白含量(8.34%~14.39%)、总脂肪含量(12.38%~26.68%)及总灰分含量(1.18%~3.15%)。原始光谱数据先经多种预处理方法(包括标准正态变量变换(SNV)、趋势校正(DT)、一阶导数(FD)、多元散射校正(MSC)等)处理后,再通过竞争性自适应重加权采样法(CARS) 进行波长筛选优化。研究分别基于传统偏最小二乘回归(PLSR)与支持向量机回归(SVMR)两种深度学习算法构建校正模型。建模结果显示,支持向量机回归模型对三项指标的预测效果最优,其对应的预处理方法、决定系数(R 2)、预测均方根误差(RMSEP)及预测偏差比(RPD)如下:水分含量(CARS–SNV–DT 组合预处理,R 2 =0.98,RMSEP=0.32,RPD=6.7)、粗蛋白含量(CARS–FD 组合预处理,R 2=0.98,RMSEP=0.18,RPD=8.15)、总脂肪含量(CARS–MSC 组合预处理,R 2=0.99,RMSEP=0.39,RPD=10.15);而偏最小二乘回归模型对总灰分含量的预测表现更佳(CARS–原始光谱预处理,R 2=0.94,RMSEP=0.12,RPD=4.34)。
-
利用FT-NIR结合OC-PLS和PLS-DA模型对植物基蛋白粉进行真伪鉴定及乳清、大豆蛋白与小麦掺假物分类
查看原文2022
Food Control
中科院一区JCR一区Marina De Géa Neves, Ronei Jesus Poppi, & Márcia Cristina Breitkreitz
食品标签
谷物/块根/豆与坚果类 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据本研究旨在建立一种无损快速检测方法,结合近红外光谱技术(NIR) 与化学计量学工具,对不含大豆、乳糖及麸质的植物基蛋白粉进行真伪鉴别,并对其可能存在的掺假类型进行分类。研究选取了三种潜在掺假物质展开分析:大豆蛋白、乳清粉(乳糖来源)及小麦粉(麸质来源)。研究目标是通过非靶向检测与靶向检测相结合的方式,解决植物基蛋白粉的真伪鉴定及掺假物分类难题。为此,本研究采用单类偏最小二乘法模型(OC-PLS) 进行真伪鉴别,同时运用偏最小二乘判别分析模型(PLS2-DA) 实现掺假物分类。借助投影重要性指标(VIP) 得分,明确了 PLS2-DA 模型中各类别对应的主要特征变量及关键光谱区间。实验用实验室样品的制备方式为:向纯植物基蛋白粉中分别添加质量分数为 10%、15%、20%、25%、30%、35% 和 40% 的各类掺假物质。研究共对 47 份纯植物基蛋白粉样品及 144 份掺假样品进行了检测分析。结果表明,将单类模型(OC-PLS)与多类模型(PLS-DA)联用,并结合近红外光谱技术的检测策略,在植物基蛋白粉检测领域具有良好应用前景。该方法检测速度快、灵敏度与特异性高,且无需复杂样品前处理,在10%—40% 的掺假比例范围内,可有效鉴别植物基蛋白粉的真伪,并将掺假物准确分类为大豆蛋白、乳清粉和小麦粉三大类。
-
基于卷积神经网络和多项式校正的反射光谱技术用于食用植物油中山嵛酸的测定
查看原文2022
Food Chemistry
中科院一区JCR一区Shizhuang Weng, Zhaojie Chu, Manqin Wang, Kaixuan Han, Gongqin Zhu, Cunchuan Liu, Xinhua Li & Linsheng Huang
食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 定量预测/回归分析本研究提出一种新型多项式校正方法 ——阶数自适应多项式校正法(OAPC),用于校正存在操作人员差异的反射光谱,并结合卷积神经网络(CNN)构建分析模型,实现食用油脂中山嵛酸含量的预测。采用 OAPC 校正后,CNN 模型表现优异,校正决定系数(Rcor2)达 0.8843,校正均方根误差(RMSEcor)为 0.1182,性能优于同经 OAPC 校正的偏最小二乘回归、支持向量回归、随机森林模型,以及未采用 OAPC 校正的各类模型。通过自助软收缩法、随机蛙跳算法与皮尔逊相关系数联合筛选出 16 个有效波长,在此基础上结合 CNN 与 OAPC,模型效果进一步提升,校正决定系数达 0.9560,校正均方根误差降至 0.0730。同时,Kennard-Stone 算法仅需选取 5% 的校正样本即可满足 OAPC 使用要求。综上,该方法可有效减弱操作人员差异对光谱分析的干扰,为校正仪器测量差异或环境差异提供了可行方案。
-
基于非靶向UHPLC-MS和化学计量学分析确定瓜拉纳种子的地理来源
查看原文2022
Food Chemistry
中科院一区JCR一区Rita Cynara de Oliveira Salles, Magno Perêa Muniz, Rita de Cássia Saraiva Nunomura & Sergio Massayoshi Nunomura
食品标签
巧克力及含可可制品 代谢组学 多酚与黄酮计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 组学数据瓜拿纳(巴西可可)是亚马逊地区最受欢迎的功能性食品之一,在全球范围内应用广泛。本研究旨在分析主产州所产瓜拿纳的化学成分,并探究其与产地来源的关联。本文建立了基于 超高效液相色谱 - 电喷雾电离 - 离子阱质谱(UHPLC-ESI-IT-MS) 的非靶向代谢组学分析方法,结合多元统计(化学计量学)分析瓜拿纳种子,可按地理来源实现样品的有效区分。研究先对完整色谱图范围进行解析,发现儿茶素、表儿茶素这两种主要成分在主成分分析(PCA)中引入了与样品产地无关的大幅数据变异。剔除对应色谱峰后,可得到分别对应亚马逊州、巴伊亚州、马托格罗索州样品的三大主要聚类簇。通过 PCA 与超高效液相色谱 - 电喷雾电离 - 四极杆飞行时间串联质谱(UHPLC-ESI-Q-TOF-MS/MS),共鉴定出 13 个 A 型、B 型原花青素二聚体与三聚体,作为瓜拿纳产地溯源的化学标志物。