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
-
基于近红外光谱(NIRS)同时测定表观直链淀粉、直链淀粉和支链淀粉含量及糯米的分类
查看原文2022
Food Chemistry
中科院一区JCR一区Li-Hong Xie, Shao-Qing Tang, Xing-Jin Wei, Zhong-Hua Sheng, Gao-Neng Shao, Gui-Ai Jiao, Shi-Kai Hu, Wang-Lin & Pei-Song Hu
食品标签
碳水化合物配料 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
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据稻米淀粉的表观直链淀粉含量(AAC)、直链淀粉含量(AC)与支链淀粉含量(AP)特性,是影响稻米品质的核心指标,因其与食用品质高度相关。本研究首次采用近红外光谱技术(NIRS),实现米粉中直链淀粉含量、支链淀粉含量的定量预测,并完成糯稻与非糯稻的判别分析。研究对比并优化了由不同数学预处理方法、波长及信号组合所构建的定标模型。采用改进偏最小二乘法(MPLS),结合 “2, 8, 8, 2” 预处理 / 多元散射校正逆变换(Inverse MSC),并选用约 138 个波长信号所建立的模型,可同步测定表观直链淀粉含量、直链淀粉含量、支链淀粉含量,决定系数(RSQ)分别高达 0.977、0.928 和 0.912。改进偏最小二乘判别分析法(MPLS-DA)对糯稻与非糯稻的分类准确率达到 100%。该高通量检测技术在水稻育种研究及食品行业品质管控中具有重要应用价值。
-
环境效应能否超越遗传?基于小麦挥发性指纹的化学计量学研究
查看原文2022
Food Chemistry
中科院一区JCR一区Riccardo De Flaviis, Delvana Mutarutwa, Giampiero Sacchetti & Dino Mastrocola
食品标签
小麦 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/等级评定深入解析小麦中挥发性有机化合物(VOCs)差异的成因,对于小麦及其制品的品质提升与质量控制至关重要。本研究分析了两年间种植于不同海拔、不同地块的普通小麦与硬粒小麦籽粒的挥发性物质谱,采用气相色谱 - 质谱联用技术共鉴定出 149 种化合物。主成分分析(PCA)结果表明,种植年份是导致 VOCs 差异的最主要来源。研究通过偏最小二乘判别分析(PLS-DA)进一步探究了种植产地(包括种植地块、海拔)及小麦种属对 VOCs 的影响,该模型可依据 VOCs 谱对不同产地的小麦实现正确判别。采用多维检验法对各影响因素的重要性进行排序,结果为:种植年份>种植地块>小麦种属>海拔。研究结果提示,在决定小麦 VOCs 差异方面,环境条件的作用大于种属差异。
-
基于多重UV/VIS指纹图谱和UPLC/MS分子网络结合化学计量学的藏红花香料品种及其常见替代物的鉴定
查看原文2022
Food Chemistry
中科院一区JCR一区Nesrine M. Hegazi, Amira R. Khattab, Andrej Frolov, Ludger A. Wessjohann & Mohamed A. Farag
食品标签
香精香料 食品安全与风险评估 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据藏红花是一种因其独特风味与保健功效而备受推崇的香辛料,市场中常存在掺假造假行为。本研究将分子网络作为可视化工具,对藏红花及其常见掺伪替代品(红花、金盏花,共计n=21份样品)的超高效液相色谱 - 质谱(UPLC/MS)数据进行分析,用以鉴定藏红花真伪、识别红花与金盏花这两类常见掺伪物。藏红花中富含黄酮醇 - O - 糖苷与藏花素酸酯,而红花中特征性富集黄烷酮 / 查尔酮糖苷,金盏花则以肉桂酸酯类、萜类物质为主要成分。正交偏最小二乘判别分析(OPLS-DA)可区分不同产地来源藏红花的 UPLC/MS 图谱差异,其中氧羟基十一烯酸 - O - 己糖苷被确定为藏红花真伪鉴定标志物,联合藏花素酸二 - O - 龙胆二糖酯、山奈酚 - O - 槐糖苷,可实现高品质西班牙藏红花与低等级伊朗藏红花的有效区分。山奈酚 - O - 新橙皮糖苷与N,N,N- 对香豆酰亚精胺为红花特征代谢物,金盏花苷 C 与二 - O - 咖啡酰奎宁酸则为金盏花的特有物质。苦藏花素(230~260 nm)与藏花素衍生物(400~470 nm)对应的紫外 - 可见(UV/VIS)特征指纹谱段,可作为藏红花真伪鉴别指标,提示该方法可替代 UPLC/MS 用于藏红花品质检测。
-
基于计算机视觉实现奶粉中三聚氰胺的单位数ppm级定量检测
查看原文2022
Food Control
中科院一区JCR一区Sandra Pradana-López, Ana M. Pérez-Calabuig, John C. Cancilla, Laura Otero, & José S. Torrecilla
食品标签
乳粉 食品安全与风险评估 显微与成像技术计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据本研究建立了一种可对三种不同品牌奶粉中三聚氰胺含量进行定性检测与定量分析的方法,该方法基于图像数据库训练卷积神经网络(CNN)实现目标检测。所选的三款奶粉分属不同品牌,不仅脂肪含量存在差异,其目标消费群体也按年龄段划分。研究通过精准称重的方式向奶粉中添加微量三聚氰胺制备掺假样本,同时纳入了被认定为 “无三聚氰胺” 的空白样本 。实验共采集 3100 张样本图像用于卷积神经网络模型训练(每组待分类样本对应 100 张图像),并具体采用 残差网络 34 层模型(ResNet34) 架构开展分类任务。在该深度学习方案中,样本图像被随机划分为两个部分:90% 的图像用于卷积神经网络的训练与验证阶段,剩余 10% 作为盲测集。优化后的模型在验证阶段的总体分类准确率达 98.7%,盲测阶段的误判率仅为 3.0%。这一结果表明,该方法可作为乳制品行业一种高效的品质与安全管控手段。
-
基于LC-UV-MS靶向筛查与UHPLC-QTOF/MS非靶向筛查结合机器学习评估柠檬汁掺假
查看原文2022
Food Chemistry
中科院一区JCR一区Weiting Lyu, Bo Yuan, Siyu Liu, James E. Simon & Qingli Wu
食品标签
果蔬汁/浓缩汁 食品安全与风险评估 光谱/色谱/质谱等分析方法 多酚与黄酮计算机标签
偏最小二乘法 支持向量机 主成分分析/判别分析 分类/鉴别/等级评定本研究旨在建立一种基于液相色谱 - 质谱代谢组学与机器学习联用的分析方法,用于鉴别和预测纯柠檬汁与掺假柠檬汁。研究首先采用紫外离子阱质谱对 6 种主要黄酮类化合物进行靶向筛查;为提升预测准确度,进一步利用超高效液相色谱 - 四极杆飞行时间质谱(UHPLC-QTOF/MS)开展非靶向分析。基于所得代谢轮廓,分别进行主成分分析(PCA)与偏最小二乘判别分析(PLS-DA),结果显示纯品与掺假样品呈现明显聚类趋势,具备良好的区分潜力。随后构建 5 种机器学习模型对数据进行深度分析,其中支持向量机(SVM)模型预测性能最优,交叉验证集准确度达96.7 ± 7.5%,测试集准确度达100%。此外,研究初步鉴定出 79 个特征质荷比(m/z)标志物。本研究证实,非靶向筛查结合机器学习模型可作为高效手段,用于柠檬汁掺伪的快速检测。