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 364 条结果
-
机器学习引导的REIMS模式识别非乳制品奶油、乳脂奶油和鲜奶油,用于欺诈识别
查看原文2023
Food Chemistry
中科院一区JCR一区Yiwei Cui, Weibo Lu, Jing Xue, Lijun Ge, Xuelian Yin, Shikai Jian, Haihong Li, Beiwei Zhu, Zhiyan Dai & Qing Shen
食品标签
其他乳制品 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
支持向量机 智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据焙烤食品生产过程中,植脂末非法掺混入乳脂奶油的行为,严重制约了乳制品行业的健康稳健发展。本研究建立了一种基于快速蒸发电离质谱(REIMS)脂质组学模式识别结合机器学习算法的检测方法。通过多元统计分析筛选出26个具有重要贡献的特征离子,作为区分乳脂奶油与植脂末的显著特征指标。此外,研究采用判别分析、决策树、支持向量机及神经网络分类器构建机器学习模型,实现对植脂末、乳脂奶油以及乳脂奶油中微量植脂末掺假样品的分类鉴别。经超参数优化与特征工程优化后,该系列模型准确率可达98.4%~99.6%。这种机器学习引导快速蒸发电离质谱模式识别的人工智能检测方法,能够精准鉴别打发奶油掺假行为,可为打击食品掺假欺诈提供技术支撑。
-
共聚焦拉曼显微光谱结合光谱筛选算法用于大米淀粉的定量分析
查看原文2023
Food Hydrocolloids
中科院一区JCR一区Xiao Wei, Fang Li, Anand Babu Perumal, Alireza Sanaeifar, Mahamed Lamine Guindo, Yongqiang Shi, Yong He & Fei Liu
食品标签
碳水化合物配料 其他品质相关性质 常规理化指标测定 显微与成像技术 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 支持向量机 特征工程与选择策略 超参优化/自动机器学习 定量预测/回归分析 红外/拉曼光谱数据淀粉是水稻的主要成分之一。本文研究了共聚焦拉曼显微光谱结合光谱筛选算法定量检测大米中淀粉的可行性。首先,对样品的拉曼光谱进行预处理和光谱筛选算法的数据处理。其次,分别通过偏最小二乘回归、粒子群优化-支持向量回归、灰狼优化器-支持向量回归以及反向传播神经网络建立定量淀粉检测模型。之后,使用预测集验证了定量淀粉检测模型。最终,经归一化和IPLS筛选后的GWO-SVR淀粉定量检测模型的预测集相关系数、预测集均方根误差和平均相对误差分别为0.8915、1.03%和1.08%。实验结果表明,经过适当的预处理和光谱筛选算法后,通过CRM快速准确地检测大米中淀粉含量是可行的。
-
利用基于近红外光谱的机器学习检测烘焙咖啡中的5-羟甲基呋喃醛含量
查看原文2023
Food Chemistry
中科院一区JCR一区Zeyi Cai, Zihong Huang, Mengyu He, Cheng Li, Hengnian Qi, Jiyu Peng & Le Zhao
食品标签
咖啡饮料 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
支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据由于5-羟甲基糠醛(5-HMF)对人类具有致癌性,对食品中的该物质进行检测至关重要。本研究采用近红外光谱技术(波数范围11998–4000 cm⁻¹)测定烘焙咖啡中的5-羟甲基糠醛含量。利用随机森林算法筛选特征波数,随后构建三种机器学习模型(最小二乘回归、支持向量机、随机森林)用于含量预测。与最小二乘回归和支持向量机模型相比,随机森林模型预测效果最优(校正决定系数$R_c^2$=0.98,预测决定系数$R_p^2$=0.92),并有效筛选出关键特征波数:11667 cm⁻¹、11666 cm⁻¹、10905 cm⁻¹、7096 cm⁻¹、7095 cm⁻¹、7094 cm⁻¹、7093 cm⁻¹、7092 cm⁻¹、5054 cm⁻¹、5026 cm⁻¹、5025 cm⁻¹、5024 cm⁻¹。研究结果表明,基于近红外光谱的机器学习模型可为烘焙咖啡中5-羟甲基糠醛含量检测提供一种无损检测方法。
-
基于卷积神经网络的稳定同位素和矿物元素指纹在海南山茶油产地鉴别中的应用
查看原文2023
Food Control
中科院一区JCR一区Jiashun Fu, Junhao Wang, Zhe Chen, Zhuowen Deng, Hanggui Lai, Liangxiao Zhang, Yong-Huan Yun, & Chenghui Zhang
食品标签
植物油 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 分类/鉴别/等级评定油茶籽油是我国特有的高端木本食用植物油,其中海南产油茶籽油因品质独特、价值较高而备受认可。保障海南油茶籽油的产地真实性,对维护其市场声誉与质量安全至关重要。为此,本研究探究了稳定同位素与矿质元素在海南油茶籽油产地溯源中的应用潜力,采用稳定同位素质谱仪与电感耦合等离子体质谱仪,对油茶籽油中的 3 种稳定同位素及 21 种矿质元素进行检测分析。结果表明,不同产区油茶籽油的稳定同位素比值与矿质元素含量存在显著地域差异。本研究构建的卷积神经网络(CNN)模型,分类准确率优于正交偏最小二乘判别分析(OPLS-DA)、支持向量机(SVM)及随机森林等常用分类模型:该模型不仅能以 93.33% 的准确率区分海南产油茶籽油与其他主产区产品,还能以 98.57% 的准确率精准鉴别海南省境内不同产区的油茶籽油。综上,稳定同位素与矿质元素特征可作为鉴别油茶籽油产地的有效指标,本研究成果有助于填补我国油茶籽油产地溯源技术的空白。
-
基于紫外、近红外和荧光光谱结合化学分析,识别同一品牌的酒类
查看原文2023
Food Chemistry
中科院一区JCR一区Miao He, Xiaolong Chen, Jing Zhang, Jiawei Li, Dong Zhao, Yang Huang, Dangquan Hu, Xiaogang Liu & Changjun Hou
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
支持向量机 主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据精准识别同一品牌下的各类白酒,对于维护消费者权益和市场经济秩序具有重要意义。本文基于紫外光谱、近红外光谱及多维荧光光谱技术,研究了白酒的光谱特征;再将光谱特征与线性判别分析、支持向量机、反向传播神经网络等化学计量学方法相结合,实现不同白酒的区分鉴别。为提升白酒鉴别准确率、灵敏度与特异度,研究引入三种酸响应型量子点作为新增维度,构建了四维荧光光谱数据阵列。结合中层数据融合策略,该方法对同一品牌白酒的鉴别准确率、灵敏度、特异度分别可达99.17%、99.15%、99.96%。此外,基于MATLAB应用设计器开发了自动化分析平台,有效提升了光谱数据建模分析的效率。