类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 2456 条结果
-
利用LC-MS、GC-IMS与FGC-Enose技术的数据融合方法检测特级初榨橄榄油中的软精炼油：GC-IMS与FGC-Enose的致胜协同效应
查看原文
2022
Food Control
中科院一区JCR一区
Alessandra Tata, Andrea Massaro, Tito Damiani, Roberto Piro, Chiara Dall'Asta, & Michele Suman
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 风味组学计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 组学数据特级初榨橄榄油（EVOO）常被掺入精炼软化橄榄油（SROO）以造假。采用常规检测方法无法区分纯特级初榨橄榄油与它和精炼软化橄榄油的混合油，因此，已有研究考察了液相色谱 - 高分辨质谱联用技术（LC-MS）、气相色谱 - 离子迁移谱联用技术（GC-IMS） 以及闪蒸气相色谱 - 电子鼻技术（FGC-Enose） 的鉴别能力。本研究进一步探索将上述技术联用，以提升鉴别方法的分类性能。研究前期已借助正负离子模式液相色谱 - 质谱联用技术（LC-(+/−) MS）、气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术，对 43 份市售特级初榨橄榄油样品和 18 份特级初榨橄榄油掺精炼软化橄榄油的非法混合油样品完成检测。随后对上述四种检测数据集开展低水平数据融合与中水平数据融合处理，将融合得到的特征指纹图谱纳入偏最小二乘判别分析（PLS-DA），并提取其中信息量最大的特征变量，用于构建支持向量机（SVM）分类模型。研究人员计算并对比各项统计指标，筛选出最优分类模型。基于多数据集联用的偏最小二乘判别分析 - 支持向量机（PLS-DA-SVM）策略验证结果显示：经低水平数据融合后，两种气相色谱衍生技术联用模型的鉴别能力较单一技术有显著提升。这表明在进行偏最小二乘判别分析前对数据集进行融合，能更有效地提取高信息量特征变量，进而强化样本分组区分度与未知样本的鉴别准确率。相比单一的正离子模式液相色谱 - 质谱联用技术（LC-(+) MS） 检测矩阵，采用中水平与低水平数据融合法整合正负离子模式液相色谱 - 质谱联用技术的数据集后，在区分特级初榨橄榄油与掺假油方面的性能未表现出明显提升。四种技术数据集（正负离子模式液相色谱 - 质谱联用技术、气相色谱 - 离子迁移谱联用技术、闪蒸气相色谱 - 电子鼻技术）的低水平融合虽取得成功，但该方法操作繁琐，并不适用于工业化质量检测场景。本研究创新性地将多模态的正负离子模式液相色谱 - 质谱联用技术、气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术的检测数据进行融合，有效提升了鉴别模型的性能，为特级初榨橄榄油的真实性鉴别提供了新思路。其中，气相色谱 - 离子迁移谱联用技术与闪蒸气相色谱 - 电子鼻技术的低水平数据融合方案取得了最为理想的鉴别效果。
-
基于质谱分析和化学计量学的埃及亚麻籽饼代谢物谱与抗氧化活性的比较研究
查看原文
2022
Food Chemistry
中科院一区JCR一区
Reham Hassan Mekky , Essam Abdel-Sattar, Antonio Segura-Carretero & María del Mar Contreras
食品标签
豆类与坚果（及籽类） 光谱/色谱/质谱等分析方法 多酚与黄酮 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定亚麻籽（Linum usitatissimum L.）是一种在全球范围内具有重要经济价值的作物。亚麻籽榨油后会产生饼粕这一副产物。本研究采用反相高效液相色谱 - 二极管阵列检测器 - 四极杆飞行时间质谱联用技术（RP-HPLC-DAD-QTOF-MS） 及二级质谱（MS/MS），对四个埃及亚麻籽品种的饼粕开展非靶向代谢物谱分析。研究共在样品中检测出162 种代谢物，并将其分类为羟基苯甲酸类（20 种）、羟基肉桂酸类（20 种）、黄酮类（59 种）、木脂素类（9 种）、香豆素类（1 种）、氨基酸类（8 种）、肽类（3 种）、氰苷类（6 种）、茉莉酸类（15 种）、核苷类（2 种）、有机酸类（16 种）以及糖类（3 种）。通过主成分分析与系统聚类分析，这些亚麻籽品种被有效区分，表明该方法可用于品种溯源。此外，研究还测定了样品的总酚含量与抗氧化活性，所得结果与前述代谢组学分析结论一致。据我们所知，本研究首次完成了亚麻籽饼粕的全面代谢物谱分析，为其在食品工业中的应用提供了前景。
-
利用整体光学特性和在线透射光谱评估猕猴桃的内部质量
查看原文
2022
Food Control
中科院一区JCR一区
Shijie Tian, Hao Tian, Qinyi Yang, & Huirong Xu
食品标签
新鲜水果 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
偏最小二乘法 特征工程与选择策略 定量预测/回归分析本研究旨在对比基于体光学特性（BOP）的检测模型与基于传统光谱技术的检测模型，在猕猴桃品质评价中的准确性与稳健性。实验选取 81 个猕猴桃作为样本，搭建单积分球系统以测定样本的体吸收系数（μ a）与约化散射系数（μ s′），同时利用自主研发的在线检测系统获取样本的透射光谱。研究分析了μ a与μ s′两项指标同可溶性固形物含量（SSC）及果肉硬度的相关性，并采用偏最小二乘回归法（PLSR）构建检测模型。此外，通过竞争性自适应重加权采样法（CARS）剔除原始光谱中对模型性能无提升作用的变量。结果表明：670 nm 波段下的μ a随可溶性固形物含量升高而降低；720~900 nm 及 950~1000 nm 波段下的μ s′随可溶性固形物含量升高而增大；μ s′光谱强度随果肉硬度下降而降低。研究分别基于μ a、μ s′、μ a+μ s′组合参数及透射光谱，构建了 CARS-PLSR 定量分析模型。对比发现，基于体光学特性的模型在预测猕猴桃内部品质时，准确性优于透射光谱模型。其中，基于μ s′的模型对可溶性固形物含量的预测效果最佳（预测决定系数R P2=0.97，预测均方根误差RMSEP=0.25%）；基于μ a+μ s′组合参数的模型对果肉硬度的预测表现最优（R P2 =0.97，RMSEP=0.02 N）。为验证模型的稳健性与适用性，研究选取 20 个种植果园及采收时间均异于实验样本的猕猴桃开展外部验证。结果显示，所有可溶性固形物含量预测模型及基于μ a+μ s′组合参数的果肉硬度预测模型均具备良好的稳健性与适用性；而基于透射光谱的果肉硬度预测模型，在对外部验证集样本进行预测时表现较差。本研究为基于体光学特性及透射光谱技术的猕猴桃硬度与可溶性固形物含量检测，提供了有效参考依据。
-
基于多元素谱并结合可解释机器学习模型鉴定海参（刺参）的地理来源
查看原文
2022
Food Control
中科院一区JCR一区
Yong Sun, Yanfang Zhao, Jifa Wu, Nan Liu, Xuming Kang, Shanshan Wang, & Deqing Zhou
食品标签
其他肉与水产品 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
机器学习/统计学习 梯度提升决策树 分类/鉴别/等级评定仿刺参（Apostichopus japonicas）的产地是决定其市场价值的关键因素。本研究旨在探究多元素指纹图谱结合可解释机器学习技术，应用于我国仿刺参产地溯源的可行性。研究采用电感耦合等离子体发射光谱法（ICP-OES）与电感耦合等离子体质谱法（ICP-MS），对 167 份仿刺参样本的 23 种元素含量进行检测，构建多元素特征图谱，并基于该图谱构建及验证了 4 种集成学习模型。其中，极限梯度提升（XGBoost）模型表现最优，其总体准确率、精确率、召回率、F1 分数及曲线下面积（AUC）分别达到 0.95、0.93、0.91 和 1。为挖掘模型输出结果中隐含的产地特征信息，研究进一步引入沙普利加性解释（SHAP）算法对 XGBoost 模型进行可解释性分析。结果表明，硒（Se）是区分仿刺参产地的最核心元素标志物。综上，本研究为多元素指纹图谱结合机器学习模型应用于仿刺参产地鉴别提供了充分的科学依据，证实该技术可作为仿刺参产地溯源的有效手段。
-
利用近红外和中红外光谱结合多元分析预测红蜂胶中酚类物质含量和抗氧化活性
查看原文
2022
Food Chemistry
中科院一区JCR一区
Amanda Beatriz Sales de Lima, Acsa Santos Batista, Mariana Romana Correia Santos, Renata de Souza da Rocha, Marcondes Viana da Silva, Sibelli Passini Barbosa Ferrão, Vítor Visintin Silva de Almeida & Leandro Soares Santos
食品标签
糖、焙烤与糖果制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据传统测定酚类物质及其生物活性的方法成本高、耗时长、工作量大，这给红蜂胶的质量控制工作带来阻碍，而红蜂胶因含多种具有不同生物活性（如抗氧化活性）的酚类成分而广受关注。为此，本研究提出近红外与中红外光谱的新应用，结合化学计量学方法，对红蜂胶中的酚类成分、总黄酮、没食子酸、山奈酚、邻苯二酚、槲皮素，以及多项抗氧化指标（DPPH 自由基清除能力、还原力、β- 胡萝卜素 - 亚油酸体系保护作用）进行定量预测。优化后的模型具备良好预测性能，相关系数不低于 0.70，伴随误差较低，且各项方法学评价指标均表明模型在验证阶段预测效果优良。结果证实，红外光谱技术可快速、简便地实现红蜂胶 9 项品质指标的同步预测，有效规避了传统色谱法、分光光度法繁琐的实验操作。
