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 236 条结果
-
整合代谢组学与多元化学计量学以发现食品功能性相关活性标志物的综合策略:以山楂果实为例
查看原文2022
Food Chemistry
中科院一区JCR一区Yan Cui, Kunze Du, Shixin Hou, Rui Yang, Lina Qi, Jin Li & Yanxu Chang
食品标签
新鲜水果 品质、结构与理化性质 代谢组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据人们对天然富含营养素、且含有潜在有益健康生物活性成分的功能食品需求日益增长。本研究以野山楂(Crataegus cuneata)为研究对象,采用代谢组学与化学计量学联用的研究策略,筛选可用于区分果实功能相关生物活性的品质标志物。该联用策略可用于解析代谢过程、挖掘潜在生物活性成分,并可进一步对这些成分开展功能验证。整套研究体系可为筛选功能相关活性标志物、进而开展食品品质评价提供方法学指导。
-
基于核磁共振的中国甜橙定量成分分析及地理来源鉴别
查看原文2021
Food Control
中科院一区JCR一区Haifeng Lin, Chenxi He, Huili Liu, Guiping Shen, Feng Xia & Jianghua Feng
食品标签
新鲜水果 光谱/色谱/质谱等分析方法 碳水化合物与糖类 植物化学/生物活性成分计算机标签
偏最小二乘法 分类/鉴别/等级评定带有地理标志认证的甜橙,因产地信息易被混淆或隐匿,已成为市场欺诈的目标商品。本研究采用高分辨率核磁共振(NMR)波谱技术结合化学计量学方法,对产自中国四大主产区(湖南、湖北、四川、广西)的甜橙进行产地溯源鉴别。研究通过氢 - 1 核磁共振(¹H NMR)波谱分析,共鉴定并定量分析出 62 种成分,涵盖糖类、氨基酸、有机酸、醇类、酮类、黄烷酮等化合物;同时进一步筛选出可表征中国甜橙产区特征的地理标志性成分。其中,湖北产区甜橙因富含酚类物质而具备优异的抗氧化特性,四川产区甜橙则凭借氨基酸含量丰富的特点,呈现出浓郁鲜爽的风味。本研究结果不仅可为甜橙的膳食营养推荐提供科学依据,还可基于甜橙的营养特征(尤其是地理标志性成分),为实现精准产地溯源提供技术支撑。
-
基于静态顶空-气相色谱-离子迁移谱和可解释机器学习的长相思葡萄酒质量等级挥发物预测
查看原文2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Wenyao Zhu, Frank Benkwitz, & Paul A. Kilmartin
食品标签
新鲜水果 酒精饮料 特征风味 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
深度学习 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据本研究首次将静态顶空-气相色谱-离子迁移谱(SHS-GC-IMS)的分析范围应用于葡萄酒香气分析。研究首先微调方法参数以获得最佳分析结果,并从重复性和再现性方面证明方法稳定性。研究还实现了简明的化合物定性鉴定,识别出若干此前较少在长相思葡萄酒中报道的挥发物,如乙酸甲酯、甲酸乙酯和乙酸戊酯。采用非靶向策略利用 SHS-GC-IMS 数据,并对大数据集进行计算建模,将香气化学通过预测模型与葡萄酒感官质量等级关联。研究比较了 6 种机器学习模型,人工神经网络表现最优,预测准确率达到 95.4%。尽管 ANN 模型具有内在复杂性,但其仍提供了关于影响性挥发物的有价值见解,这些挥发物与较高或较低感官等级具有良好相关性。未来这些发现可用于指导酿酒师建立葡萄酒质量评价,尤其是在装瓶前调配环节。
-
结合可见光、近红外和中红外光谱的创新化学计量策略控制苹果泥质量
查看原文2021
Food Control
中科院一区JCR一区Weijie Lan, Sylvie Bureau, Songchao Chen, Alexandre Leca, Catherine M.G.C. Renard & Benoit Jaillais
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 常量营养素(宏量)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可见 - 近红外光谱技术(Vis-NIRS)、中红外光谱技术(MIRS)及二者联用技术,结合偏最小二乘回归(PLS)与机器学习算法,开展两项研究:其一,对复合苹果泥中不同品种苹果的配比进行溯源分析;其二,基于原料品种苹果泥的光谱信息,预测复合苹果泥的品质特性。偏最小二乘回归模型借助中红外光谱数据,可实现对复合苹果泥中各品种苹果占比的定量分析,模型预测均方根误差(RMSEP)均小于 8.1%,剩余预测偏差(RPD)均大于 3.6;其中,针对澳洲青苹(Granny Smith)的定量效果最优,预测均方根误差低至 2.7%,剩余预测偏差高达 11.4。通过多元曲线分辨 - 交替最小二乘法(MCR-ALS)解析得到的组分浓度谱,可实现复合苹果泥光谱的重构。研究证实,仅依靠原料品种苹果泥的光谱数据,中红外光谱技术即可实现对复合苹果泥终产品多项品质指标的预测,包括黏度(RPD>4.0)、可溶性固形物含量(RPD=4.1)、苹果酸含量(RPD=4.7)及葡萄糖含量(RPD=4.3)。综上,红外光谱技术不仅可作为苹果泥配比溯源的高效工具,还能根据原料品种苹果泥的特性,为复合苹果泥产品的多指标优化提供技术支撑。
-
基于X射线CT与机器学习的梨果实内部质量无损检测研究
查看原文2020
Food Control
中科院一区JCR一区Tim Van De Looverbosch, Md. Hafizur Rahman Bhuiyan, Pieter Verboven, Manuel Dierick, Denis Van Loo, Jan De Beenbouwer, Jan Sijbers & Bart Nicolaï
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 缺陷/异物检测与定位 可见光/RGB/视频数据为维持鲜梨采后品质、实现全年优质果品供应,生产中常采用可控供应链与长期贮藏技术。但在贮藏期间,若贮藏条件欠佳,果实易发生内部生理失调病变,且这类病害通常无外部表观症状,现有商用品质分级系统无法对其进行可靠、无损的检测。本研究提出将特征提取算法、支持向量机与 X 射线计算机断层扫描(X-ray CT)相结合,成功实现对康伦斯(Conference)与赛普纳(Cepuna) 梨品种内部病变的无损检测。依据品种与所用特征数量的不同,分类模型对病果与健康果的区分准确率为 90.2%~95.1%;同时模型取得较低的假阳性率与假阴性率,分别介于 0.0%~6.7% 和 5.7%~13.3%。基于康伦斯梨数据训练的分类模型可有效迁移应用于赛普纳梨,表明该方法对其他梨品种同样具备泛化能力。随着软硬件技术持续发展,检测速度不断提升、设备成本逐步降低,该方法可落地应用于工业场景,例如在线平移式 X 射线 CT 检测线。