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
-
葡萄酒中挥发性有机化合物特征的深入分析:集成智能感官与代谢组学技术、化学计量学和机器学习模型的系统研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Rui Xie, Jiawen Liu, Yutao Li, Yong Chen, Tian Shen, Meilong Xu, Yanlun Ju, Yulin Fang & Zhenwen Zhang
食品标签
酒精饮料 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 其他理化与结构表征 风味组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 组学数据采用电子鼻、顶空固相微萃取-气相色谱-质谱联用(HS-SPME-GC-MS)和顶空-气相色谱-离子迁移谱联用(HS-GC-IMS)技术,对“ Dornfelder”(DF)、“ Petit Verdot”(PV)、“ Pinot Noir”(PN)、“ Sangiovese”(SV)和“ Malbec”(MB)这几种葡萄酒中的挥发性有机化合物(VOCs)进行了分析。通过两种技术共鉴定出94种挥发性有机化合物。具体而言,HS-SPME-GC-MS鉴定出70种化合物(其中醇类物质的浓度占比为52.56%-68.75%),HS-GC-IMS鉴定出36种化合物(其中酯类物质的浓度占比为35.58%-42.05%),且有12种化合物通过两种方法均被鉴定出来。通过化学计量学和机器学习分析,确定了15种关键差异挥发性有机化合物。此外,对电子鼻传感器响应与关键差异挥发性有机化合物的相关性分析表明,W2S、W2W和W5S传感器可能更适合用于预测乙酸2-甲基丁酯、3-甲基丁酸和乙酸异戊酯的含量,从而有助于快速识别PV葡萄酒。这些结果有助于了解不同品种葡萄酒之间的风味差异,并为葡萄酒风味区分、质量控制和产品开发提供理论依据。
-
利用同位素、挥发性有机化合物和化学计量学对瑞士西南部黑比诺葡萄酒进行地理产地分类
查看原文2025
Food Chemistry
中科院一区JCR一区Jorge Enrique Spangenberg, Julien Baumann & Vivian Zufferey
食品标签
酒精饮料 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 分类/鉴别/等级评定 多模态/融合数据本研究探讨了葡萄酒固体残渣中碳、氮同位素以及半定量挥发性有机化合物用于表征瑞士西南部不同产区黑皮诺葡萄酒的潜力。这些葡萄酒在¹³C/¹²C(-30.6至-26.4毫乌尔)、¹⁵N/¹⁴N(0.6–6.7毫乌尔)、碳氮比(25–102)以及38种挥发性物质含量方面存在显著差异。主成分分析识别出三个不同的葡萄酒产区集群:瓦莱州、沃州南部–日内瓦以及三湖地区。这些集群与海拔、降水量、温度和空气湿度的梯度变化相对应。通过对同位素比值和摩尔比(预测准确率84.8%)、选定的挥发性化合物(预测准确率90.9%)以及两者的组合(预测准确率95.5%)进行线性判别分析,葡萄酒样品按其地理来源得到了令人满意的分类。土壤因素和橡木桶陈酿并未影响基于同位素比值和半定量挥发性化合物对葡萄酒进行分类的能力。
-
基于GASF和梅尔频谱图特征的多传感器融合,使用增强型EfficientNet-B0模型进行葡萄酒鉴别
查看原文2025
Food Chemistry
中科院一区JCR一区Meng He, Jianfei Xing, Meng Wang, Hui Yu, Shi Yu, Xiuying Tang & Bin Zhang
食品标签
酒精饮料 其他理化与结构表征 其他特殊成分计算机标签
智能手机/其他 分类/鉴别/等级评定 多模态/融合数据本研究提出了一种新颖的多传感器融合策略,用于区分采用相同酿造工艺、由八种不同原料酿造的葡萄酒。研究通过广谱电子鼻和贵金属电极采集香气和味觉信号,形成嗅觉和味觉指纹。为了增强特征表示,利用格拉姆角和场(GASF)及梅尔频谱图算法,将一维时间序列传感器数据转换为二维RGB图像,同时保留时间和频谱信息。随后,将这些图像特征输入到Enhanced-EfficientNet-B0深度学习模型中,验证准确率达到92.17%。结果表明,多传感器数据与先进的信号转换及深度学习相结合,能够实现对葡萄酒原料的准确且高效分类。
-
基于近红外光谱技术的传统卡莎萨酒酒精含量定量分析与掺假鉴别研究
查看原文2025
Food Chemistry
中科院一区JCR一区Valber Elias de Almeida, José Félix de B. Neto, Taliana Kênia A. Bezerra, Vandessa P. da Silva, Germano Veras, Railson de Oliveira Ramos & David Douglas de Sousa Fernandes
食品标签
酒精饮料 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
机器学习/统计学习 偏最小二乘法 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据卡莎萨酒是巴西传统酒精饮品,在巴西经济中占据重要地位。传统质量检测方法成本高昂,不仅需要专业人力,检测耗时也较长。本研究提出采用近红外光谱技术,建立创新且环保的检测方案,用于卡莎萨酒酒精度定量分析与掺假鉴别,无需使用化学试剂。研究选取巴西帕拉伊巴州布雷茹微产区的462份卡莎萨酒样本,运用偏最小二乘法(PLS)、蒙特卡洛无信息变量消除结合偏最小二乘法(MCUVE-PLS)、竞争性自适应重加权采样结合偏最小二乘法(CARS-PLS)、迭代变量子空间投影结合偏最小二乘法(iSPA-PLS)等变量筛选算法开展数据分析。其中MCUVE-PLS-DA/OFF模型的掺假鉴别准确率达97.3%,iSPA-PLS-DA/OFF模型用于酒精度检测时,预测均方根误差为0.16体积分数、剩余预测偏差为59.04、相关系数为0.99。上述模型可为传统检测方法提供一种可持续、高性价比的替代方案,在保障卡莎萨酒生产合规性与品质稳定性的同时,提升模型可解释性并降低计算成本。
-
超声波及其结合橡木块基于吸收能量密度进行处理,全面洞察并扩大对红葡萄酒酚醛和涩味特征的评估
查看原文2025
Food Chemistry
中科院一区JCR一区Shengnan Wang, Yiran Li, Zeqiang Ma, Tingting Ma, Yulin Fang, Xiangyu Wang & Xiangyu Shan
食品标签
酒精饮料 品质、结构与理化性质 物理辅助加工 植物化学/生物活性成分计算机标签
偏最小二乘法 分类/鉴别/等级评定本研究探讨了超声波处理及超声波耦合橡木块处理技术对小维多葡萄酒酚类物质与涩感特征的影响。研究揭示了不同吸收能量密度梯度下各处理技术与涩感之间的关联,阐明了物质相互作用背后潜在的分子作用机制。研究发现,超声波可促进酚类物质降解及缩合单宁成熟,而橡木块能够促进鞣花单宁向葡萄酒中释放,推动缩聚反应生成更大分子复合物。在低吸收能量密度(0~33.07 焦耳/毫升)条件下,酚类物质与唾液蛋白的结合作用减弱;高吸收能量密度(66.14~265.34 焦耳/毫升)条件下,该结合作用增强,同时降低了唾液蛋白的沉淀能力。经处理后的葡萄酒样品,其全口感区域的涩感整体描述特征与感官属性发生显著变化,橡木块处理可丰富葡萄酒涩感层次。通过多元统计分析确定超声波最优吸收能量密度范围为0~33.07 焦耳/毫升,并构建了有效的偏最小二乘判别分析模型,可为工业化放大应用提供参考,以期在控制成本的前提下提升葡萄酒感官品质。