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 289 条结果
-
数据驱动预测食品发酵中的分子生物转化
查看原文
2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Dachuan Zhang, Cancan Jia, Dandan Sun, Chukun Gao, Dongheng Fu, Pengli Cai, & Qian-Nan Hu
食品标签
其他果蔬制品/植物类 其他酱腌/发酵食品 食品安全与风险评估 特征风味 发酵工艺与动力学 蛋白质与氨基酸计算机标签
模型可解释性 定量预测/回归分析 质构/流变/感官数据发酵产物与食品成分共同决定发酵食品的感官、营养和安全性。传统发酵产物识别方法耗时且繁琐，难以满足食品发酵过程中大量生物活性代谢物识别的需求。因此，本文提出基于机器学习和 2,192,862 个微生物序列编码酶数据的数据驱动集成平台 FFExplorer，用于计算预测发酵产物。利用 FFExplorer，研究解释了辣椒发酵过程中辣味消失的机制，并评估了微生物发酵对常见食品污染物的脱毒作用。FFExplorer 可为推断发酵食品中的生物活性“暗物质”和探索微生物应用潜力提供有价值参考。
-
通过近红外和FTIR光谱快速准确测定北大西洋海藻中的蛋白质含量
查看原文
2023
Food Chemistry
中科院一区JCR一区
Calle Niemi, Agnes Mols Mortensen, Ralf Rautenberger, Sanna Matsson,András Gorzsás & Francesco G. Gentili
食品标签
其他肉与水产品 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据海藻被认为是一种具有潜力的人类食用可持续蛋白质来源，因此亟需建立快速、精准的海藻蛋白质含量检测方法。然而，海藻中含有的部分物质会干扰常规蛋白质检测方法的检测结果。本研究对比了劳里法、BCA蛋白检测法、氮比值法测蛋白含量与新型光谱检测法的检测效果。利用漫反射傅里叶变换红外光谱（DRIFTS）中酰胺II谱带的峰值高度或积分面积进行线性回归分析，可对海藻蛋白质含量进行预测，且预测效果良好。对漫反射傅里叶变换红外光谱与近红外（NIR）光谱分别采用偏最小二乘回归（PLSR）建模，可获得更高的预测精度。在蛋白质含量预测方面，光谱检测法的效果与4.14标准氮比值计算法相当甚至更优。这类光谱预测法样品前处理简单、化学试剂用量少、操作便捷，在海藻蛋白质快速检测中兼具环境可持续性与经济实用性。
-
基于¹H NMR和多变量数据融合快速鉴定和定量牛肉碎中猪肉和鸭肉的二元与三元掺假
查看原文
2023
Food Control
中科院一区JCR一区
Tuo Leng, Xiaoyi Hu, Yi Chen, Bei Gan, Jianhua Xie, & Qiang Yu
食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究采用氢核磁共振波谱（¹H NMR）结合化学计量学方法，成功实现了牛肉糜中掺杂猪肉、鸭肉的快速定性鉴别与定量检测。主成分分析（PCA）结果显示，牛肉中蛋氨酸与谷氨酰胺的含量相对更高，这或许是区分牛肉与猪肉、鸭肉的关键特征。通过正交偏最小二乘判别分析（OPLS-DA）模型，无论是二元掺杂（牛肉中掺入单一肉类）还是三元掺杂（牛肉中掺入两种肉类）的牛肉样品，均能实现 100% 准确判别。研究筛选出亮氨酸、异亮氨酸、蛋氨酸及谷氨酰胺这四种物质，作为牛肉掺假检测的潜在标志物。经外部样品验证，偏最小二乘（PLS）定量模型对二元与三元掺假比例的预测结果准确可靠，其预测决定系数（R p2）分别达 0.9153 和 0.9348，预测均方根误差（RMSEP）则分别为 0.1112 和 0.0821。上述研究结果为牛肉掺假检测提供了全面的技术视角，进一步完善了肉类制品真伪鉴别体系。
-
近红外光谱结合A-CARS-PLS测定玉米蛋白质含量
查看原文
2023
Food Chemistry: X
中科院一区JCR一区
Xiaohong Wu, Shupeng Zeng, Haijun Fu, Bin Wu, Haoxiang Zhou & Chunxia Dai
食品标签
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据为了快速、准确地测定玉米中的蛋白质含量，本文提出了一种新的特征波长选择算法——锚定竞争自适应重加权采样(A-CARS)。该方法首先利用蒙特卡洛协同区间偏最小二乘法(MC-siPLS)筛选出特征变量所在的子区间，然后使用竞争自适应重加权采样(CARS)对这些变量进行进一步筛选。将A-CARS-PLS与6种方法进行了比较，包括3种特征变量选择方法(GA-PLS、Random frog-PLS和CARS-PLS)和2种区间偏最小二乘法(siPLS和MWPLS)。结果表明，A-CARS-PLS方法显著优于其他方法：校正集的结果为RMSECV = 0.0336，R_c² = 0.9951；预测集的结果为RMSEP = 0.0688，R_p² = 0.9820。此外，A-CARS将原始的700维变量减少至23个变量。结果表明，A-CARS-PLS优于某些波长选择方法，在玉米蛋白质含量无损检测方面具有巨大的应用潜力。
-
整合高光谱成像、非靶向代谢组学与机器学习预测自然及人工老化甜玉米种子活力
查看原文
2023
Food Control
中科院一区JCR一区
Tingting Zhang, Long Lu, Ni Yang, Ian D. Fisk, Wensong Wei, Li Wang, Jing Li, Qun Sun, & Rensen Zeng
食品标签
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 高光谱/多光谱光谱 时序传感器/物联网数据明确并预测甜玉米种子的贮藏稳定性，对实现高效的供应链管理至关重要。然而，种子活力预测能力高度依赖人工加速老化（AA）试验数据，而该试验结果往往无法直接适用于自然老化（NA）种子。本研究整合高光谱成像技术（HSI）与非靶向代谢组学技术（液相色谱 - 质谱联用技术，LC-MS/MS），结合偏最小二乘回归法（PLS-R）、支持向量机回归法（SVM-R）及正交偏最小二乘判别分析（OPLS-DA），基于人工加速老化种子的数据集，构建自然老化种子活力衰减的预测模型。研究首先明确了人工加速老化与自然老化种子的光谱变化模式存在差异。随后，分别利用全波段光谱数据，以及通过回归系数法筛选得到的有效特征波长（EWs）数据，构建基于人工加速老化的种子活力预测模型。采用独立的人工加速老化种子数据集与自然老化种子数据集，分别对模型进行外部验证。结果显示，模型对人工加速老化种子的活力预测效果良好（决定系数 R 2≥0.814），但对自然老化种子的预测精度较低（R 2≤0.696）。代谢组学分析鉴定出 54 种差异代谢物，其中大部分为氨基酸、二肽及其衍生物，这些物质是反映人工加速老化与自然老化种子老化机制差异的重要标志物。研究进一步发现，与 N-H 键相关的光谱波段可能是影响模型实用性的干扰因素。剔除该类相关特征波长后，基于人工加速老化的预测模型对自然老化种子的预测性能显著提升：“绿色超人” 品种的验证集决定系数（R v−22）由 0.696 提升至 0.720，“中天 300” 品种的验证集决定系数由 0.668 提升至 0.727。综上，本研究证实，整合高光谱成像、液相色谱 - 质谱联用技术与机器学习方法，是实现贮藏甜玉米种子活力无损监测与预测的有效技术方案。
