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 114 条结果
-
使用便携式拉曼-SORS光谱仪作为认证高油酸葵花籽油的简便方法
查看原文
2025
Food Control
中科院一区JCR一区
G. Jiménez-Hernández, F. Ortega-Gavilán, A. González-Casado & M.G. Bagur-González
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
偏最小二乘法 支持向量机 智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据如今，由于初榨橄榄油价格高昂，葵花籽油（SFO）被广泛用于烹饪。在其商业类型中，高油酸葵花籽油（HOSFO）因其高油酸含量和优异性能而最为合适，这不仅提升了其品质，也提高了价格。为了保护因产品附加值（更高的油酸含量）而支付更高价格的消费者，有必要在整个加工和分销链中对不同商业类型的SFO进行认证。因此，生产者、各分销环节直至最终销售点以及官方管理部门都需要工具来验证和确保顾客购买的是他们真正想要的产品。现有文献中尚无研究涉及不同类型SFO之间的区分（认证）。本文利用空间偏移拉曼光谱（SORS）获得的仪器指纹，并结合不同的化学计量学工具进行处理，成功地认证了这些油品的不同商业类型。对SORS指纹矩阵的化学计量学分析揭示了样品的自然分组（HCA和PCA），以及基于与脂肪酸出现相关的特征拉曼光谱区域进行判别/分类的可能性。所有开发的模型（PLS-DA、SVM和SIMCA）都显示出可靠的质控性能（如灵敏度、特异性以及低假阳性/假阴性率等）。它们能够有效认证HOSFO，但只有SIMCA模型能够成功区分所有类型的SFO。
-
使用全谱 FTIR 光谱和 DSC 曲线结合化学计量学对商业浆果种子油进行高级真实性筛查
查看原文
2025
LWT
中科院一区JCR一区
Yolanda Victoria Rajagukguk, & Jolanta Tomaszewska-Gras
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 传统统计分析与回归 脂质与脂肪酸计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据评估了差示扫描量热法（DSC）和傅里叶变换红外光谱（FTIR）结合偏最小二乘判别分析（PLS-DA）在黑加仑、草莓和覆盆子种子油真实性筛查中的可行性。报告了浆果种子油的真实DSC和FTIR指纹并将其用作训练数据，以反映其自然变异性。在DSC分析中，利用了熔融相变的完整曲线，而非单独的DSC参数（峰值温度、峰高、焓值）。每种浆果种子油均以独特的吸热峰和放热峰为特征。FTIR模型基于三个光谱范围内的吸光强度建立，分别为3550-3200 cm⁻¹、3010-2854 cm⁻¹和1720-720 cm⁻¹。通过监督学习和个性化数据处理，DSC 和 FTIR 的分类性能均得到了提高。在使用商业油进行外部验证时，DSC 模型在黑加仑和草莓油的分类方面表现出良好的预测性能，而 FTIR 模型则更适合预测黑加仑和覆盆子油的类别。本研究为行业从业者在处理热学和光谱指纹数据以筛查浆果籽油真实性方面提供了实用的见解。
-
基于整体化化学计量学、多变量分析和人工神经网络的橄榄（Olea europaea L.）栽培品种果实品质、脂肪酸组成及生化性状建模
查看原文
2025
LWT
中科院一区JCR一区
Celil Toplu, Yazgan Tunç, Ali Khadivi, & Daya Shankar Mishra
食品标签
新鲜水果 植物油 品质、结构与理化性质 营养与生物功能 常规理化指标测定 传统统计分析与回归 脂质与脂肪酸 多酚与黄酮计算机标签
机器学习/统计学习 主成分分析/判别分析 定量预测/回归分析橄榄（Olea europaea L.）油的质量受品种的生化成分、脂肪酸谱和果树学性状的复杂影响。鉴于消费者对功能性食品和促进健康的膳食脂肪的需求日益增加，使用多变量和化学计量学方法对这些性状进行综合评估显得尤为重要。传统分析方法常常难以揭示酚类化合物、脂肪酸组成与氧化稳定性之间的复杂相互作用。因此，多变量分析和基于人工神经网络（ANN）的建模等综合方法，为优化品种选择以符合营养价值和油品质提供了强有力的工具。在本研究中，对22种橄榄栽培品种在统一的农业生态条件下进行了评估，指标包括果实重量（2.15 - 6.55 克）、油含量（16.23 - 30.92 %）、总酚含量（125.00 - 284.83 毫克 CAE/公斤）及抗氧化活性。主要脂肪酸包括油酸（67.20 - 77.50 %）、棕榈酸（9.20 - 15.55 %）和亚油酸（7.20 - 13.50 %）。在不饱和脂肪酸/饱和脂肪酸比值（4.36 - 8.00）及过氧化值和游离脂肪酸含量等氧化稳定性指标上观察到显著的基因型差异。主成分分析显示，前两个主成分解释了总方差的60.68 %，主要受油酸、总酚含量和油含量的驱动。层次聚类分析（HCA）将品种分为四个主要簇，每个簇具有不同的成分特征，而相关矩阵分析（CMA）显示油酸与总酚含量之间存在强正相关（r = 0.88）。多元回归分析（MRA）进一步确定油酸和游离脂肪酸是总体油质的重要预测因子（p ≤ 0.01）。同时，基于10个输入特征的人工神经网络（ANN）模型在验证过程中实现了92.3%的预测准确率，R²为0.91，均方误差（MSE）为0.024。值得注意的是，'Savrani'、'Memecik'、'Memeli'、'Halhalı'和'Ayvalık'等品种表现出优越的特性，具有高油酸、高酚含量和良好的不饱和指数。化学计量学技术与基于人工神经网络（ANN）的建模结合，为阐明性状之间的相互关系和预测橄榄油质量提供了全面的框架。研究强调了关键生化标志物和成分性状，作为营养价值和抗氧化稳定性的可靠预测指标。优良品种的识别支持基于证据的高附加值橄榄油生产选择策略，提升健康效益。这些发现不仅有助于精准育种和功能性食品开发，也应对了公众日益关注的膳食脂肪质量问题。
-
快速代谢指纹识别结合机器学习模型识别真伪并检测植物油中精油掺假：薄荷和罗勒研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
CH Ratna Sekhar, Samreen Khan, Abhishek Kumar Rai, Himanshu Mishra, Anoop Kumar Verma, Raj Kishore Lal, T.M. Ananda Kumar & Christopher T. Elliott
食品标签
植物油 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据精油因其强效的抗菌特性，以及在食品保鲜、风味增香领域的应用价值而日益受到青睐，为食品行业带来了新的发展机遇。然而，精油作为食品防腐剂难以大规模推广使用，主要受制于真伪鉴别难题，而该难题根源多为低价油脂掺假行为。本研究探究了一种快速、经济且无损的检测方法，用于评估市面上常用薄荷属与罗勒属精油的真伪。该研究方法将傅里叶变换近红外光谱技术与机器学习相结合，可实现精油代谢指纹图谱的快速检测。研究对四种薄荷属植物精油和三种罗勒属植物精油进行了分析，并采用植物油掺假的市售样品对检测系统开展验证测试。结果表明，该检测方法表现优异，交叉验证决定系数、决定系数及准确率均高于0.98，特异性与灵敏度均超过98%。研究证实，傅里叶变换近红外光谱结合机器学习技术，可为解决精油真伪鉴别与掺假检测问题提供高效可行的技术方案。
-
整合多组学和网络药理学揭示油茶籽油的抗氧化活性代谢物及健康益处
查看原文
2025
Food Chemistry
中科院一区JCR一区
Lingyuan Zhou1, Jiarong She, Qingyang Li, Qiong Zheng, Jie Yang, Maokai Cui, Tiantian Chen, Shiman Sun, Fubin Tang & Yihua Liu
食品标签
植物油 抗氧化/抗炎等功能 代谢组学 植物化学/生物活性成分计算机标签
主成分分析/判别分析 知识抽取与语义理解 组学数据山茶油（CO）的抗氧化特性尚未得到充分表征。本研究采用多组学分析结合ABTS、DPPH和FRAP测定法，旨在鉴定抗氧化活性代谢物（AAMs）。广泛靶向代谢组学检测到2110种代谢物，而脂肪酸、生育酚和元素分析揭示了关键的营养贡献物质。油酸在脂肪酸组分中占主导地位（68.2–82.7%），α-生育酚是主要的生育酚（139.78–337.20 mg/kg），硒和锌是最相关的微量元素。通过OPLS-DA和WGCNA共鉴定出160种AAMs，其中超过42%为非酚类物质。抗氧化测定表明，ABTS活性主要由酚类物质驱动，而DPPH活性则与酚类物质和氨基酸均有关。网络药理学将核心AAMs与神经系统、心血管系统、肝脏系统和呼吸系统中的靶点联系起来。整合的代谢通路网络凸显了山茶油抗氧化潜力的多维度基础。这些发现揭示了山茶油中除酚类物质之外更广泛的抗氧化结构，并为将山茶油开发为功能性营养油提供了机制基础。
