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 48 条结果
-
高光谱成像结合化学计量学快速检测小麦粉中的滑石粉掺假
查看原文
2023
Food Control
中科院一区JCR一区
Hong-Ju He, Yan Chen, Guanglei Li, Yuling Wang, Xingqi Ou, & Jingli Guo
食品标签
小麦 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 定量预测/回归分析 高光谱/多光谱光谱检测小麦粉中非法添加剂，对维护市场秩序与保障民众健康具有至关重要的现实意义。本研究探究了900–1700 nm 波段高光谱成像技术在小麦粉滑石粉掺假快速检测中的应用潜力。研究人员提取样品高光谱图像中的原始光谱信息，并分别采用标准正态变量变换（SNV）、基线校正（BC）、多元散射校正（MSC）及高斯滤波平滑（GFS）四种方法进行预处理。基于预处理后的光谱数据，构建偏最小二乘（PLS）定量模型，以预测小麦粉中滑石粉的掺假浓度。结果表明，SNV-PLS 模型性能最优，其校正集与预测集的相关系数（r）均达 0.98，残差预测值（RPD）为 4.69；校正均方根误差（RMSEC）、交叉验证均方根误差（RMSECV）与预测均方根误差（RMSEP）分别为 2.86%、2.99% 和 3.13%。为简化 SNV-PLS 模型，研究进一步采用回归系数法（RC）、连续投影算法（SPA）及竞争性自适应重加权采样算法（CARS）筛选特征波长。基于 CARS 算法筛选出的4 个特征波长（907.135、1339.866、1392.573 和 1394.22 nm） 构建的 SNV-CARS-PLS 模型，在滑石粉含量预测中表现最佳，预测集相关系数（r p）为 0.98，RMSEP 为 2.88%，RPD 达 5.09。综上，900–1700 nm 波段高光谱成像技术结合 CARS 算法，可进一步开发为便携式检测设备，实现小麦粉中滑石粉掺假的快速精准检测。
-
机器学习介导的光致发光碳点条码阵列用于真实食品样品中桔青霉素及相关真菌毒素超灵敏检测
查看原文
2023
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Maansi Aggarwal, Pranab Sahoo, Sriparna Saha, & Prolay Das
食品标签
小麦 玉米 食品安全与风险评估 过程监测与在线检测 显微与成像技术 常规理化指标测定 其他特殊成分计算机标签
梯度提升决策树 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据利用少量化学试剂对食源性污染物进行经济可行的远程传感并实现同步自动化，需要将化学检测策略与人工智能深度整合。本研究报道了利用茜素红 S 和胱胺衍生碳点超灵敏检测桔青霉素及黄曲霉毒素 B1、赭曲霉毒素 A 等相关真菌毒素的方法，并与机器学习算法结合实现自动化。碳点在不同溶剂和 pH 条件下的光致发光响应被用于生成阵列通道，在真菌毒素存在时进一步调制；研究采集数字图像并进行像素化处理，形成条码。条码输入机器学习算法后，可处理复杂数据库；在测试的 8 种算法中，极端梯度提升（XGBoost）为最优模型。研究使用小麦、大米、鹰嘴豆、玉米、咖啡和牛奶加标样品评价模型，在真菌毒素浓度低至 10 pmol 时仍实现 100% 准确率。更重要的是，碳点阵列与 XGBoost 的协同作用还能检测真菌毒素共存情况，提示该方法可扩展用于食源性污染物智能检测。
-
基于傅里叶变换红外光谱法预测小麦面粉成分
查看原文
2023
Food Control
中科院一区JCR一区
Camelia Maria Golea, Georgiana Gabriela Codină, & Mircea Oroian
食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据本研究采用多种标准检测方法，对 70 份不同品种小麦粉的理化特性进行分析，涉及的小麦品种包括一粒小麦（Triticum monococcum）、斯佩耳特小麦（Triticum spelta）及普通小麦（Triticum aestivum）。检测指标涵盖小麦籽粒的水分、灰分、蛋白质、湿面筋、沉降值、pH 值、酸度、脂肪、淀粉、降落数值、破损淀粉含量，以及通过粉质拉伸仪测得的拉伸与松弛特性参数。研究借助主成分分析法解析小麦样品理化特性之间的关联性。结果显示，除水分与破损淀粉含量外，其余几乎所有理化指标在不同品种间均存在显著性差异，且该差异在普通小麦与古老小麦品种间表现得尤为明显。古老小麦品种的蛋白质、湿面筋、脂肪、灰分及酸度指标均为最高；而普通小麦的淀粉含量更丰富，且粉质拉伸仪测得的拉伸与松弛特性参数值均为最高。此外，本研究采用傅里叶变换红外光谱（FTIR）技术作为无损检测手段，分析小麦粉的成分组成，并基于光谱特征峰确定籽粒的化学组分含量。为提升偏最小二乘回归（PLS-R）模型对小麦部分理化参数（水分含量、蛋白质含量、淀粉含量、面筋含量、降落数值及破损淀粉校正值）的预测精度，研究人员对 FTIR 光谱数据进行了多种预处理。结果表明，光谱一阶导数与二阶导数预处理方法所构建的模型，对目标理化参数的预测效果最优。
-
利用高光谱成像的有效波长单色图像结合架构自搜索深度网络检测赤霉病损伤小麦籽粒
查看原文
2022
Food Control
中科院一区JCR一区
Lv Yipeng, Lv Wenbing, Han Kaixuan, Tao Wentao, Zheng Ling, Weng Shizhuang, & Huang Linsheng
食品标签
小麦 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
深度学习 分类/鉴别/等级评定 高光谱/多光谱光谱遭受镰刀菌穗枯病（Fusarium head blight, FHB）侵染的小麦籽粒会出现水分、蛋白质及淀粉流失，同时携带有害毒素。对小麦籽粒的病害损伤程度进行分级判别，有助于实现籽粒的分等定级精准利用，降低经济损失，保障粮食安全。本研究探索将高光谱成像技术（HSI）与深度学习网络相结合，用于区分健康小麦籽粒以及轻度、中度和重度病损的小麦籽粒。研究通过 ReliefF 算法、无信息变量消除法、随机蛙跳算法及混合蛙跳算法四种方法，从高光谱图像的反射光谱数据中筛选有效波长（EWs）；并基于不同有效波长组合构建的单波段图像，结合网络架构自搜索深度网络（ASSDN） 构建病害分级判别模型。结果显示，采用 941 nm、876 nm 和 732 nm 三个波长组合的图像输入 ASSDN 模型时，判别效果达到最优 —— 训练集平均准确率为 100%，预测集平均准确率为 98.31%，性能优于其他波长组合图像及建模方法；模型的平均曲线下面积（AUC）达 0.9985，表明其具备优异的稳健性。利用离散特征波长图像进行建模，可显著降低模型的计算复杂度与运行成本，且便于研发简易的定制化检测设备，实现镰刀菌穗枯病病损小麦籽粒的现场快速识别。同时，ASSDN 网络能够自主生成并优化高性能分类网络，兼具易用性，大幅拓展了深度学习网络在粮食检测领域的应用潜力。
-
小麦来源对‘Blanche’小麦精酿啤酒挥发性成分的影响：一项化学计量学研究
查看原文
2022
Food Chemistry
中科院一区JCR一区
Riccardo De Flaviis, Veronica Santarelli, Delvana Mutarutwa, Marialisa Giuliani & Giampiero Sacchetti
食品标签
小麦 酒精饮料 品质、结构与理化性质 风味组学计算机标签
偏最小二乘法 分类/鉴别/等级评定精酿啤酒的香气是影响其整体可接受性与饮用口感的关键因素，原料会直接决定啤酒中挥发性有机化合物（VOCs）组成与香气特征。本研究分析了采用 不同产地（品种与种植地点） 的普通小麦（Triticum aestivum L.），并按梯度添加量制备的小麦精酿啤酒的挥发性有机化合物轮廓。PLS2 分析结果表明，小麦添加比例是影响 VOCs 组成的主要因素，而品种（维托里奥 Vittorio、索利纳 Solina）与种植海拔（海拔 70、500、1200 m）对 VOCs 变异的影响相对较小。偏最小二乘判别分析（PLS-DA）可依据 VOCs 轮廓对两个品种小麦酿造的啤酒进行区分，其中2 - 乙基己醇作为品种特异性标志物，仅在索利纳小麦酿制的啤酒中检出。
