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
-
基于无损近红外光谱传感器的黑茶样品感官属性评估
查看原文2022
Food Control
中科院一区JCR一区Sebahattin Serhat Turgut, José Antonio Entrenas, Emre Taşkın, Ana Garrido-Varo, & Dolores Pérez-Marín
食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据红茶在采购、拼配及上市销售前,需对其品质特性进行常规检测,以保障产品品质与市场价值。部分品质特性可通过仪器分析测定,但另有多项指标需经由评茶专家开展感官审评(开汤品鉴),并以感官评分的形式判定。然而,这类检测分析手段(尤其是感官审评)不仅对人员专业素养要求极高,操作耗时较长,还易受人为因素干扰产生误差。为此,本研究将无损光谱传感技术与化学计量学方法相结合,旨在快速测定红茶样品的感官审评指标(外形、滋味、汤色及综合品质),以及其他关键理化品质指标(容重、纤维素含量、水浸出物含量和含水率)。研究选取 54 份土耳其红茶样品,采用三款不同的近红外光谱仪(MicroNIR™ 1700、Matrix-F 傅里叶变换近红外光谱仪及 NIRS DS 2500)完成光谱采集。建模过程中,采用结合逐步变量消除法的偏最小二乘回归法(PLSR)与主成分回归法(PCR)作为回归算法,构建近红外光谱校正模型。结果显示,针对感官指标,偏最小二乘回归法的建模效果略优于主成分回归法,其交叉验证决定系数(R cv2)介于 0.83 至 0.97 之间,交叉验证剩余预测偏差(RPD cv)介于 2.47 至 5.79 之间;针对理化指标,偏最小二乘回归模型的交叉验证决定系数(R cv2)与交叉验证剩余预测偏差(RPD cv)则分别处于 0.66~0.89 和 1.72~3.08 的区间。上述研究结果表明,偏最小二乘回归法结合傅里叶变换近红外光谱技术,有望实现红茶感官审评得分及相关品质指标的快速、经济检测,为茶产业应用提供技术支撑。
-
通过人工智能与傅里叶变换拉曼光谱揭示果酒指纹特征
查看原文2022
Food Control
中科院一区JCR一区D.A. Magdas, M. David, & C. Berghian-Grosan
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据人工智能(即机器学习)的应用,标志着食品代谢组学研究与食品真实性鉴别技术迈入了新的发展阶段。本研究验证了傅里叶变换拉曼光谱技术(FT-Raman spectroscopy) 结合机器学习算法,在果酒产品特征指纹图谱构建与溯源鉴别中的可行性。基于所构建的最优模型,最终实现了96.2% 的预测准确率。值得注意的是,本研究的产地溯源分析需对特兰西瓦尼亚地区周边相邻产区的蒸馏酒样本进行区分,该分类任务的难度极高,但研究仍取得了理想的判别效果。相比之下,基于原料品种的鉴别效果则较为一般,这表明不同果实酿造的蒸馏酒之间的特征差异过于细微,难以通过本研究提出的技术方案实现精准判别。
为进一步提升模型预测性能,研究团队纳入了斯托克斯散射与反斯托克斯散射等不同光谱区间的数据进行分析,筛选出适用于各类鉴别模型的最优光谱波段,并对多种机器学习算法的性能展开了对比验证。 -
利用太赫兹光谱创新性地鉴定柚皮苷和橙皮苷并结合多元分析评估废弃橙皮中黄酮类提取物
查看原文2022
Food Control
中科院一区JCR一区Chao-Hui Feng, Chiko Otani, & Yuichi Ogawa
食品标签
水果/蔬菜与菌菇类/植物类 营养与生物功能 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据本研究采用索氏提取法制备柑橘提取物,结合傅里叶变换远红外光谱技术(FT-FIR) 实现对提取物中黄酮类物质含量的检测分析。研究在 0.5~7 太赫兹(THz)波段范围内,识别出橙皮苷与柚皮苷的特征吸收指纹图谱。其中,橙皮苷的特征吸收峰分别出现在 1.53、1.85、2.46、3.36、4.51、5.35、6.51 和 7.55 THz 处;柚皮苷的特征吸收峰则位于 0.75、1.50、2.29、3.76、5.18、6.48 和 8.36 THz 处。特征峰对比结果显示:柚皮苷指纹图谱中可观察到 3.76、4.40 和 5.18 THz 处的明显吸收峰,而这些吸收峰在橙皮苷的太赫兹光谱中并未检出;反之,橙皮苷在 3.36、4.51、5.35 和 8.19 THz 处存在显著吸收峰,此类特征峰在柚皮苷的太赫兹光谱中则无明显响应。为提升模型性能的稳健性,研究对光谱数据依次进行归一化、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数及二阶导数等预处理。基于预处理后的数据构建偏最小二乘回归模型,该模型能有效阐释太赫兹光谱与橙皮苷、柚皮苷浓度间的相关性:经一阶导数预处理后,橙皮苷预测决定系数(Rp2)高达 0.99,柚皮苷预测决定系数达 0.97。本研究建立了利用太赫兹光谱技术检测橙皮苷与柚皮苷的方法,该方法有望简化从柑橘皮废料中提取黄酮类物质的检测流程。
-
基于液相色谱-Orbitrap高分辨质谱的非靶向代谢组学与蛋白质组学方法检测巴沙鱼肉中的猪肉掺假
查看原文2022
Food Chemistry
中科院一区JCR一区Anjar Windarsih, Suratno, Hendy Dwi Warmiko, Anastasia Wheni Indrianingsih, Abdul Rohman & Yaya Ihya Ulumuddin
食品标签
鱼肉 食品安全与风险评估 蛋白质组学 代谢组学 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 组学数据博氏巨鲇(Pangasius hypophthalmus) 是优质的蛋白质来源,但受经济利益驱使,其鱼肉(PHM)常被掺入猪肉造假,因此亟需建立对应的真伪鉴别分析方法。本研究采用液相色谱 - 高分辨质谱(LC-HRMS) 结合非靶向代谢组学、蛋白质组学,联合主成分分析(PCA)、偏最小二乘判别分析(PLS-DA)等化学计量学方法,成功实现纯品与掺假鲇鱼肉的区分,模型拟合优度(R>0.95)与预测能力(Q>0.5)均表现良好。研究发现,磷脂代谢物PC(o-18:0/18:2(9Z,12Z)) 可作为猪肉的潜在标志物,而二肉豆蔻酰磷脂酰胆碱(DMPC) 为鲇鱼肉特征标志物;同时鉴定得到猪肉特征肽段,分别来自肌红蛋白(HPGDFGADAQGAMSK)与β- 血红蛋白(FFESFGDLSNADAVMGNPK)。基于 LC-HRMS 的代谢组学与蛋白质组学方法,可检出鱼肉中低至 0.5%(w/w) 的猪肉掺假量。综上,LC-HRMS 非靶向代谢组 / 蛋白质组联用化学计量学,可作为检测鱼肉中猪肉掺假的高效可靠手段。
-
我的食物安全吗?基于AI对含痕量麸质或坚果的扁豆粉样品进行分类
查看原文2022
Food Chemistry
中科院一区JCR一区Sandra Pradana-López, Ana M. Pérez-Calabuig, Laura Otero, John C. Cancilla & José S. Torrecilla
食品标签
豆类与坚果(及籽类) 过敏原与毒性问题 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集本文提出一种基于人工智能、可用于实时快速检测掺假扁豆粉的分析方法。研究采用基于卷积神经网络与迁移学习(ResNet34)构建数学模型并完成训练,用于识别含有痕量小麦(麸质)或开心果(坚果)的扁豆粉样品,分别为两类高危人群(乳糜泻患者与坚果过敏人群)提供检测支持。该技术依托普通单反相机拍摄的照片进行图像分析,进而按照掺假物种类与添加量(最高至 50 ppm)完成分组判别。针对两种掺假物分别训练独立算法,每个神经网络均使用2200 张图像进行训练。采用独立盲测集(采集图像的 10%,初始随机划分)评估模型性能,结果表现优异:含开心果粉末的扁豆粉样品正确分类率达 99.1%,含小麦粉的样品分类准确率为96.4%。