01 / 01

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
植物油

标签记录(计算机学者)

暂无筛选

共 114 条结果

  • 利用紫外诱导荧光图像与基于CACHAS的两步层级分类方法集成,快速检测特级初榨橄榄油掺假

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Wilson Botelho do Nascimento Filho, Francisco dos Santos Panero, Paulo Henrique Gonçalves Dias Diniz, Caroline Mesquita Magalhães da Silva & Mirla Janaína Augusta Cidade

    食品标签

    植物油 过程监测与在线检测 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 偏最小二乘法 分类/鉴别/等级评定 可见光/RGB/视频数据

    本研究引入了一种新颖的环保型两步分级分类方法,结合紫外线诱导荧光图像,用于鉴定特级初榨橄榄油(EVOO),并检测精制大豆、菜籽油和葵花籽油的单独及同时掺假情况。开发了一种化学计量辅助彩色直方图分析系统(CACHAS),用于捕捉数字荧光图像并在灰度、RGB和HIS通道中提取分析指纹。采用了针对单类别分类优化的数据驱动软独立分类建模(DD-SIMCA),以99.8%的样本效率认证纯特级初榨橄榄油;而为多类别区分设计的偏最小二乘判别分析(PLS-DA)则基于一种、两种或三种精炼植物油的存在,以95.6%的准确率区分掺假样本。这些方法的互补应用使数据集能够稳健地评估,DD-SIMCA侧重验证真实样本,PLS-DA则增强了多类别中掺假样本的辨别能力。

  • 基于 ¹H 核磁共振波谱结合多元统计、机器学习与深度学习模型的食用油及掺伪体系中芝麻油的分类与定量分析

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Hyeona Lim, Hyojin Cho, Jin Young Kim, Yeon Ju Shin, Hyang Sook Chun, Byung Hee Kim & Sangdoo Ahn

    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

    卷积神经网络 偏最小二乘法 支持向量机 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

    芝麻油常被掺入更廉价的油脂,因此需要精确的鉴别和定量方法。本研究探究了基于人工智能的模型利用1H核磁共振光谱数据对食用油进行分类以及对掺假混合物中芝麻油进行定量的性能。所有分类模型——主成分分析-线性判别分析(PCA-LDA)、支持向量机(SVM)和一维卷积神经网络(1D-CNN)——均达到了100%的准确率,其中1D-CNN还能同时捕捉木酚素和脂肪酸的信号。在回归分析方面,偏最小二乘回归(PLSR)和支持向量回归(SVR)模型的预测均方根误差(RMSEP)值分别为1.94和1.40(决定系数R²=0.998),而1D-CNN回归模型表现更优(RMSEP=1.03,R²=0.999),能实现更广泛的光谱特征整合。包含此前未使用过的油脂类型的外部测试样本进一步验证了卷积神经网络(CNN)模型的稳健性,该模型预测的芝麻油含量误差在2%以内。这些研究结果凸显了可解释性深度学习与核磁共振波谱相结合在可靠检测和定量掺假芝麻油方面的潜力。

  • 利用DESI-MS结合神经网络对植物油进行化学表征与分类

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Yiwei Cui, Liangcun Zhu, Yan Li, Kai Ge, Weibao Lu, Lijun Ge, Kang Chen, Jingi Xue, Feiyang Zheng, Shuncong Dai, Huafei Pan, Jingjing Liang, Liting Ji & Qing Shen

    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

    卷积神经网络 分类/鉴别/等级评定

    本研究针对因价格差异与利益驱动引发的植物油标签掺假问题,建立了一种将解吸电喷雾电离质谱(DESI-MS)与浅层卷积神经网络(SCNN)相结合的检测方法。该方法可对脂质成分进行表征,并实现九种植物油的区分鉴定,包括玉米油、大豆油、花生油、芝麻油、米糠油、葵花籽油、山茶油、橄榄油及核桃油。
    经优化的解吸电喷雾电离质谱方法可提升非极性甘油酯的电离效率,并能检出[甘油三酯+钠离子]⁺、[甘油三酯+铵根离子]⁺等离子加合物。研究共筛选出53个脂质特征峰,为各类植物油构建了稳定可靠的脂质指纹图谱。基于脂质指纹图谱构建浅层卷积神经网络模型,分类准确率可达98.5±2.2%。
    解吸电喷雾电离质谱与浅层卷积神经网络的联用,为植物油的鉴别与分类提供了一种快速、可靠的技术手段,可有效遏制植物油标签掺假行为、保障油品质量。该技术能够实现精准真伪溯源,有助于提升食品标签标注与质量管控环节的透明度及规范性。

  • 基于非靶向代谢组学¹H NMR指纹图谱和模式识别的分步策略用于初榨橄榄油地理来源认证

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Rosa María Alonso-Salces, Gabriela Elena Viacava, Alba Tres, Stefania Vichi, Enrico Valli, Alessandra Bendini, Tullia Gallina Toschi, Blanca Gallo, Luis Ángel Berrueta & Károly Héberger

    食品标签

    植物油 品质、结构与理化性质 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

    偏最小二乘法 随机森林 分类/鉴别/等级评定 高光谱/多光谱光谱

    本文提出了一种基于初榨橄榄油(VOO)的¹H核磁共振指纹图谱和以决策树结构组织的一系列二元分类模型的分步策略,用于从四个层级鉴定橄榄油的地理来源:即来自欧盟成员国或非欧盟国家、具体国家和产区的来源,以及是否符合地理标志保护。该方法旨在支持当前规定橄榄油标签必须注明地理来源的欧盟法规。目前,官方尚缺乏相应的监控方法。偏最小二乘判别分析(PLS-DA)和随机森林分类算法均能提供稳健可靠的二元分类模型来验证橄榄油的地理来源;但前者在准确性和稳健性方面优于后者。针对每个案例构建的最佳二元PLS-DA模型,其预测能力(包括交叉验证和外部验证)在两类上的准确率均介于80%至100%之间。验证橄榄油地理来源所获得的满意结果,连同我们先前关于橄榄油类别区分、检出橄榄油中掺混植物油、以及确定稳定性、新鲜度、储存时间和条件与最佳食用日期等方面的研究,证实了对单个橄榄油样本进行一次¹H NMR分析,即可为监管与橄榄油市场标准相关的多项欧盟法规提供有用信息。

  • 结合HS-SPME-GCMS与化学计量学识别掺假亚麻籽油及追踪添加剂来源

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Yan-Jin Wen, Long-He Wang, Meng Zhai, Hui Ma, Hua-Peng Cui, Lu Han, Guo-Bi Chai, Yi Lv, Qing-Xia Zheng, Yong-Jie Yu & Yuan-bin She

    食品标签

    植物油 特征风味 其他安全问题 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 组学数据

    亚麻籽油中普遍存在的掺假问题亟待高效的方法来解决。本研究提出了一种结合顶空固相微萃取-气相色谱-质谱(HS-SPME-GCMS)与化学计量学的新策略,用于高效识别掺假亚麻籽油并追踪非法添加油的植物来源。研究设计了数据分析引导的HS-SPME参数优化方法,利用自研的自动非靶向数据分析软件AntDAS-GCMS处理GC-MS数据文件,全面研究了纯亚麻籽油与大豆油、花生油、菜籽油等其他食用油之间的风味物质差异。最终,采用两阶段分类策略,通过构建两个独立的偏最小二乘判别分析(PLS-DA)模型,分别实现掺假识别和添加剂来源追溯。结果表明,该策略在第一阶段对掺假亚麻籽油的识别准确率达100%,第二阶段对添加油来源追溯的准确率达96.0%。该数据分析策略为食用油掺假问题提供了新的解决方案。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号