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 114 条结果
-
利用拉曼光谱检测山茶油中多物种植物油掺假:化学计量学与深度学习方法的比较
查看原文2025
Food Chemistry
中科院一区JCR一区Jiahua Wang, Jiangjin Qian, Mengting Xu, Jianyu Ding, Zhiheng Yue, Yanpeng Zhang,Huang Dai, Xiaodan Liu & Fuwei Pi
食品标签
植物油 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
机器学习/统计学习 深度学习 卷积神经网络 循环神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据油脂掺假是高附加值天然油脂生产领域面临的全球性难题。拉曼光谱结合数学建模可用于山茶油的掺假检测。本研究从统计学角度对比了传统化学计量学方法与深度学习方法在山茶油掺假鉴别及定量分析中的优势,结果表明二者对不同掺假比例山茶油的鉴别效果无显著差异。纯山茶油与掺假山茶油的整体识别准确率可达100%,但不同掺假比例的山茶油样本之间存在错分情况。在掺假比例定量预测方面,深度学习模型的性能优于化学计量学方法。最优卷积长短期记忆模型的决定系数达0.999,预测均方根误差为0.9%,相对分析误差为31.5。本研究构建的深度学习分类器与预测模型具备良好的适用性和可靠性,可为山茶油掺假检测提供一种快速、精准的检测方法。
-
利用三路荧光和两路近红外数据融合多块DD-SIMCA对阿根廷特级初榨橄榄油进行认证
查看原文2025
Food Chemistry
中科院一区JCR一区Valeria A. Lozano, Ana M. Jiménez Carvelo, Alejandro C. Olivieri, Sergey V. Kucheryavskiy, Oxana Ye. Rodionova & Alexey L. Pomerantsev
食品标签
植物油 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据 多模态/融合数据采用两种分析平台对特级初榨橄榄油(EVOO)掺假这一热点问题展开研究,具体包括:(1)近红外(NIR)光谱技术,可生成二维数据集;(2)荧光激发-发射矩阵(EEFM)光谱技术,可生成三维数据集。研究利用相关仪器对纯正橄榄油样品与掺假橄榄油样品进行检测分析。首先基于主成分分析(适用于二维近红外数据)和平行因子分析(适用于三维荧光激发-发射矩阵数据),采用数据驱动类类比软独立建模(DD-SIMCA)方法对各组数据集分别进行分析;随后基于累积分析信号(CAS)理念,运用多块融合方法对所有数据集进行联合处理。从灵敏度、特异度和选择性三个维度对数据处理方法进行对比,优劣排序结果为:近红外光谱<荧光激发-发射矩阵光谱<近红外光谱联合荧光激发-发射矩阵光谱。该研究结果证实了多块数据融合方法的有效性,能够整体性提升模型检测性能。
-
使用近红外光谱的SELECT-OLS校准模型在各种植物油中进行稳健脂肪酸定量:跨羟基酪醇补充和深度油炸条件的统一方法
查看原文2025
LWT
中科院一区JCR一区Taha Mehany, José M. González-Sáiz, & Consuelo Pizarro
食品标签
植物油 品质、结构与理化性质 传统热加工 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据本研究旨在开发一种统一、可靠且具有成本效益的模型,用于量化食用油中的脂肪酸,以改善营养标签和热氧化稳定性。利用近红外光谱(NIRS)结合多变量校准,创建了简化光谱回归模型,以识别各种油中的关键脂肪酸标志物,包括特级初榨橄榄油(EVOO)、初榨橄榄油(VOO)、精炼橄榄油(ROO)、橄榄渣油以及向日葵油。对油脂在油炸前后、添加或未添加羟基酪醇(HTyr)的情况下进行了分析。通过变量逐步去相关(SELECT)方法改善了七种脂肪酸的回归模型:肉豆蔻酸、棕榈酸、棕榈油酸、硬脂酸、油酸、亚油酸和木蜡酸,相关系数(R)达到0.96-0.99。SELECT-普通最小二乘(OLS)回归提供了高度预测性的模型,使用了700个波长中的最多30个,所选的预测变量从5个(针对亚油酸)到30个(针对硬脂酸)不等,显示了对各种光谱模式的适应性。这些模型能够在不同的油炸条件下(170 - 210 °C/3 - 6小时)实时定量分析特级初榨橄榄油(EVOO)、初榨橄榄油(VOO)、精炼橄榄油(ROO)和葵花籽油,包括添加HTyr和未添加HTyr的样品。经过优化变量选择的近红外光谱法(NIRS)简化了分析过程并降低了成本,可替代气相色谱,实现无需样品制备的直接分析。模型表现出强大的预测性能,留一法(LOO)解释的方差高达85.81% - 98.16%,确认近红外光谱法是一种可行、快速、无损、环保的食用油定量分析方法。
-
食用油的FAC-Z分析:电化学阻抗(Z)谱在基于监督机器学习的食用油脂肪酸组成(FAC)预测中的应用
查看原文2025
Food Chemistry
中科院一区JCR一区Anoop C. Patil, Arjun Kesav Mugilvannan, Elvy Riani Wanjaya & Untzizu Elejalde
食品标签
植物油 品质、结构与理化性质 显微与成像技术 脂质与脂肪酸计算机标签
智能手机/其他 定量预测/回归分析采用电化学阻抗谱方法确定了一系列食用油的主要脂肪酸组成。记录了食用油的电学特征(即阻抗谱),并使用神经网络构建了基于机器学习(ML)的预测模型,该模型将电化学数据与通过气相色谱-质谱联用(GC-MS)测定的食用油脂肪酸组成(FACs;C16:0、C18:0、C18:1、C18:2和C18:3)关联起来。在对多种花生油和玉米油的案例研究中,机器学习衍生模型的R²值为0.923-0.997,脂肪酸组成(%)的平均绝对误差(MAE)为14.1;而在对3批次共13种不同食用油的案例研究中,相应的R²值为0.993-0.995,平均绝对误差为9.99。这些研究结果表明,食用油的电学特征与机器学习相结合,有望快速估算食用油中的主要脂肪酸组成,并有助于便携式现场监测膳食脂肪酸的摄入情况。
-
基于激光辅助快速蒸发电离质谱和数据融合结合机器学习的脂质组指纹快速识别复合山茶油掺假
查看原文2025
LWT
中科院一区JCR一区Gongshuai Song, Taijiao Xiang, Ziming Xu, Haina Hou, Yangcheng Ge, Haonan Lai, Danli Wang, Tinglan Yuan, Ling Li, Ziyuan Wang, Mengna Zhang, Liting Ji, Jinyan Gong, & Qing Shen
食品标签
植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法计算机标签
随机森林 分类/鉴别/等级评定 多模态/融合数据 红外/拉曼光谱数据山茶油(CAO)是一种高价值的食用油,具有诸多健康益处;然而,其真实性常常因掺入廉价油而受到影响。本研究提出了一种快速且稳健的山茶油真实性分析方法,使用激光辅助快速蒸发电离质谱(LA-REIMS),结合互补的分析技术和化学计量学分析。研究采用脂肪酸组成、衰减全反射傅里叶变换红外光谱指纹、1H 核磁共振光谱以及颜色分析来表征山茶油。尽管传统方法在检测低含量掺假(< 40%)方面存在局限性,LA-REIMS 能在样品前处理最少的情况下提供详细的脂质组指纹,并实现高通量分析。通过将低级和中级数据融合策略应用于将 LA-REIMS 数据与 GC 数据结合,并开发八种机器学习分类模型,包括逻辑回归、k 近邻、支持向量机、决策树、神经网络、卡尔曼滤波器、线性判别分析和随机森林(RF),在分类准确性方面取得了显著提高。其中,RF 模型,尤其是与中级数据融合结合时,在识别正品 CAO 与掺假样品方面实现了 99.56% 的准确率。这些发现证明了建立数字化真伪检测平台的可行性,从而提升食用油行业的食品安全和质量控制。