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 93 条结果
-
高光谱驱动的PSO-SVM模型与优化的CNN-LSTM-Attention融合网络用于浓香型白酒掺假的定性和定量无损检测
查看原文2025
Food Chemistry
中科院一区JCR一区Xinjun Hu, Jiahao Zeng, Mingkui Dai, Anjun Li, Ying Liang, Wei Lu, Jianheng Peng, Jianping Tian, Manjiao Chen & Dan Huang
食品标签
酒精饮料 显微与成像技术计算机标签
支持向量机 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱受利益驱动的白酒掺假行为,严重危害消费者健康并扰乱市场秩序。本研究将高光谱成像技术与深度学习相结合,用于掺假检测。在对正品和掺假样品进行分类时,粒子群优化支持向量机(PSO-SVM)通过优化的光谱预处理,达到了97.62±1.15%的准确率。在定量预测方面,研究提出了一种名为Ghost-LSTM-缩放点积注意力(GLSNet)的新型融合网络,其预测性能(RP²=0.9569±0.0145)显著优于传统的偏最小二乘回归(PLSR)以及其他深度学习模型,如卷积神经网络(CNN)和卷积神经网络-长短期记忆网络(CLNet),同时与PLSR相比,推理效率提高了3.55倍。GLSNet在外部验证集上表现良好,并通过热图可视化了掺假分布情况。研究表明,高光谱成像结合深度学习能够快速、准确地检测白酒掺假,为质量控制和市场监管提供支持。
-
机器学习辅助的江味白酒香气组合预测
查看原文2025
Food Chemistry
中科院一区JCR一区Min Zhu, Mingyao Wang, Junfeng Gu, Zhao Deng, Wenxue Zhang, Zhengfu Pan, Guorong Luo, Renfu Wu, Jianliang Qin & Katsuya Gomi
食品标签
酒精饮料 品质、结构与理化性质 风味组学计算机标签
机器学习/统计学习 卷积神经网络 定量预测/回归分析 质构/流变/感官数据江味白酒(JFB)复杂的风味源于数百种化合物在物理化学和感官层面的相互作用,使得准确感知变得极具挑战性。现代机器学习技术提供了精确且科学的方法来预测感官属性。本研究将风味组学和感官分析应用于中国主要产区的27个代表性JFB样本,整合五种机器学习算法,建立了预测全球香气特性的新策略。结果表明,神经网络(NN)模型优于其他模型,有效捕捉了香料化合物之间复杂的相互作用。模型解剖识别出18个化学参数,可能影响整体香气特征。这些因素的重要性通过掺杂和省略测试进一步验证,显著增强了商业烈酒的感官体验。本研究展示了机器学习在JFB风味研究中的潜力,并为其风味形成的机制提供了宝贵见解。
-
啤酒中二甲硫醚的顶空分析:基于纸基的智能手机比色法
查看原文2025
Food Chemistry
中科院一区JCR一区Jamilly B. Santiago & Fortunato B. Sevillanill
食品标签
酒精饮料 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 定量预测/回归分析 可见光/RGB/视频数据啤酒是全球最受欢迎、最广泛消费的饮品之一。在酿造和发酵的生产过程中,自然的独特风格和固有风味被产生。二甲基硫化物(DMS)对啤酒的风味特征有显著贡献。在低浓度时,其存在是理想的。然而,在高浓度时,这种味道会变得异常。啤酒中DMS的浓度通过智能手机比色法测量。一种基于纸张的分析装置(PAD)通过将碱性硝基醇(Nitroprusside)制成的色生成试剂相固定在明胶水凝胶中。通过头间取样及随后与固定试剂的反应,检测到低水平的DMS。通过捕捉PAD的数字图像,利用RGB色彩值确定浓度。在5至120微克DMS L浓度范围内,绿色色值(G值)观察到线性行为−1,皮尔逊系数为0.995,检测极限为2.7微克升−1.展示了高精度和准确性,RSD范围为0.79%至1.36%(n=6),真实性值分别在92.5%至104.4%之间,也满足AOAC对低水平分析物的要求。基于智能手机的比色法结果与拉格和全麦芽啤酒样品中DMS的色谱分析结果高度吻合。该方法是气相色谱法的廉价替代方案,用于DMS测量,使小型酿酒厂和精酿啤酒生产者能够监测产品中的异味。
-
利用能量散射X射线荧光技术鉴定具有保护产地标识的欧洲葡萄酒。基于建模的成功控制系统的挑战
查看原文2025
Food Chemistry
中科院一区JCR一区Michele Ghidetti, Sergej Papoci, Arantza Respaldiza, Håkan Enteborg, Franz Ulberth& María Beatriz de la Calle Guntiñas
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 中等规模数据集消费者愿意为受原产地命名保护、地理标志保护等带有地理溯源标识的食品支付更高价格。本研究利用X射线荧光光谱法获取葡萄酒的元素特征图谱,并结合多元分析方法,对111款克罗地亚、意大利和西班牙的红白葡萄酒进行产地溯源鉴别,其中102款产自20个受原产地命名保护产区,模拟了检测实验室的实际检测场景。经多元统计检验发现,同产地的葡萄酒样本会形成聚类,且与其他产区样本明显区分。采用类类比软独立建模分类法进行判别时,模型的灵敏度和特异度表现较差。本研究提出并验证了一种新方法:通过递进式偏最小二乘判别分析,依次从国家、产区到原产地命名保护级别进行分层分类,该方法分类准确率表现良好。整体样本的正确分类率达到88%。
-
基于多种提取/浓缩方法、解卷积软件和多变量分析的梅斯卡尔酒挥发性化合物分析
查看原文2025
Food Control
中科院一区JCR一区Erick D. Acosta-García, Jesús B. Páez-Lerma, María A. Martínez-Prado & Nicolás O. Soto-Cruz
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定梅斯卡尔(Mezcal)的感官特征被认为与其产区密切相关,这种特性主要源于酒体中所含的挥发性化合物。本研究对墨西哥杜兰戈州(Durango)四个不同地理区域所产梅斯卡尔的挥发性成分谱进行了分析。研究采用三种不同的方法提取和浓缩挥发性化合物,随后通过气相色谱-质谱联用技术(GC-MS)进行仪器分析。利用AMDIS软件,即使在存在共洗脱组分的情况下,也能有效识别化合物;同时,多元统计分析成功实现了对不同产地蒸馏酒的区分。研究还鉴定出若干此前未在梅斯卡尔样品中报道过的化合物,包括α-桉叶醇(α-eudesmol)、茴香脑(estragole)、癸酸丙酯(propyl decanoate)、β-石竹烯(β-caryophyllene)、葑醇(fenchol)和月桂烯醇(myrcenol)。基于地理来源的梅斯卡尔区分效果显著,其中来自Nombre de Dios和Tepehuanes两个市镇的梅斯卡尔在化学组成上更为接近。本研究所述的实验方法与数据处理流程可推广应用于其他酒类,以更全面地鉴定其微量成分组成。