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 48 条结果
-
基于化学计量学方法定量解析海拔对小麦挥发性指纹图谱的影响
查看原文2022
Food Chemistry
中科院一区JCR一区Riccardo De Flaviis, Delvana Mutarutwa, Giampiero Sacchetti & Dino Mastrocola
食品标签
小麦 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 定量预测/回归分析为应对气候变化,在高海拔地区种植农作物会使其挥发性有机化合物(VOCs)图谱发生改变。本研究分析了两年间种植于三个不同海拔、多个地块的普通小麦与硬粒小麦的 VOCs 图谱。偏最小二乘分析(PLS2)证实,海拔对 VOCs 变异的影响会被其他与海拔无关的因素(种植年份、品种、种植地块)所掩盖,该方法可将这一效应凸显出来。研究进一步以 VOCs 为自变量、海拔为因变量开展偏最小二乘分析(PLS1),筛选出可连续预测样品种植海拔的 VOCs 线性组合。筛选出的 VOCs 与生物胁迫、非生物胁迫及氧化应激相关,能够反映海拔升高所引起的小麦 VOCs 图谱变化。此外,普通小麦与硬粒小麦在高海拔环境下的胁迫响应存在差异。上述结果对小麦制品的分类与真伪鉴别具有重要参考价值。
-
环境效应能否超越遗传?基于小麦挥发性指纹的化学计量学研究
查看原文2022
Food Chemistry
中科院一区JCR一区Riccardo De Flaviis, Delvana Mutarutwa, Giampiero Sacchetti & Dino Mastrocola
食品标签
小麦 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 主成分分析/判别分析 分类/鉴别/等级评定深入解析小麦中挥发性有机化合物(VOCs)差异的成因,对于小麦及其制品的品质提升与质量控制至关重要。本研究分析了两年间种植于不同海拔、不同地块的普通小麦与硬粒小麦籽粒的挥发性物质谱,采用气相色谱 - 质谱联用技术共鉴定出 149 种化合物。主成分分析(PCA)结果表明,种植年份是导致 VOCs 差异的最主要来源。研究通过偏最小二乘判别分析(PLS-DA)进一步探究了种植产地(包括种植地块、海拔)及小麦种属对 VOCs 的影响,该模型可依据 VOCs 谱对不同产地的小麦实现正确判别。采用多维检验法对各影响因素的重要性进行排序,结果为:种植年份>种植地块>小麦种属>海拔。研究结果提示,在决定小麦 VOCs 差异方面,环境条件的作用大于种属差异。
-
使用机器学习进行欧洲小麦多重霉菌毒素污染的区域预测
查看原文2022
Food Research International
中科院一区JCR一区Xinxin Wang, Cheng Liu, & H.J. van der Fels-Klerx
食品标签
小麦 化学污染物 暴露评估与风险表征 统计建模与仿真 其他特殊成分计算机标签
随机森林 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据小麦在生长期间在适宜的环境条件下易受到真菌感染和霉菌毒素污染。用于饲料和食品的小麦中存在的霉菌毒素,如脱氧雪腐镰刀菌烯醇(DON)和玉米赤霉烯酮(ZEA),可能影响动物和人类健康。本研究旨在开发一种机器学习算法,利用作物物候数据、气象数据和卫星图像作为输入,预测欧洲区域范围内小麦中一种或多种霉菌毒素的风险水平。通过获得一个包含11年霉菌毒素监测数据(2010 - 2020)的数据集,包括脱氧雪腐镰刀菌烯醇、玉米赤霉烯酮、T-2 毒素和 HT-2 毒素、伏马菌素、黄曲霉毒素和/或赭曲霉毒素 A 在欧洲小麦中的历史浓度记录。该数据集基于年份和网格(25 × 25 公里)与小麦物候数据、气象数据和卫星图像数据进行了关联。2010年至2018年的完整数据集被分为模型训练集(80%)和内部模型验证集(20%)。2019年和2020年的数据用于外部验证。使用随机森林(RF)算法利用模型训练数据训练模型。该模型预测欧洲某网格内种植的小麦受到所研究的六种霉菌毒素中至少一种污染的概率(低、中、高)。结果显示模型具有很高的预测性能:内部和外部验证的预测准确率在0.90至0.99之间。基于荷兰的数据(案例研究),卫星图像显示可提高整体模型性能。目前的模型及其霉菌毒素预测可以被利益相关者用来增加小麦供应链中的物流,并进行基于风险的监测,以此有助于提高小麦制品的安全性,并改善粮食安全。为了未来预测模型的开发和改进,需要更多带有详细种植作物地点的霉菌毒素数据。
-
利用近红外高光谱成像与化学计量学快速无损定量单个小麦籽粒中的脱氧雪腐镰刀菌烯醇
查看原文2022
Food Control
中科院一区JCR一区Guanghui Shen, Yaoyao Cao, Xianchao Yin, Fei Dong, Jianhong Xu, Jianrong Shi, & Yin-Won Lee
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 支持向量机 定量预测/回归分析 高光谱/多光谱光谱本研究旨在评估近红外高光谱成像技术(NIR-HSI)结合化学计量学方法,对单粒小麦中脱氧雪腐镰刀菌烯醇(DON)含量进行定量检测的可行性。研究共采集 120 粒小麦籽粒,分为重度病斑粒(SDKs)、中度病斑粒(MDKs)和无症状粒(AKs)三类,采用 高效液相色谱 - 串联质谱法(HPLC-MS/MS) 测定单粒籽粒中的脱氧雪腐镰刀菌烯醇含量。分别构建偏最小二乘(PLS)、支持向量机(SVM)及基于全局偏最小二乘得分的局部偏最小二乘(LPLS-S)三种定量模型。
结果显示,重度病斑粒与中度病斑粒的脱氧雪腐镰刀菌烯醇含量可能较低甚至未检出,而无症状粒反而可能含有较高含量的该毒素。对比三种建模方法,采用混合光谱数据的LPLS-S 模型表现最优,其预测均方根误差(RMSEP)为 40.25 mg/kg,剩余预测偏差(RPD)达 2.24。上述研究证实,近红外高光谱成像技术可作为单粒小麦脱氧雪腐镰刀菌烯醇含量检测的有效手段,且能够在小麦进入食品供应链前,助力筛除高污染籽粒。 -
基于质谱的电子鼻用于认证100%意大利硬质小麦意面及挥发性化合物的表征
查看原文2022
Food Chemistry
中科院一区JCR一区Salvatore Cervellieri, Vincenzo Lippolis, Erminia Mancini, Michelangelo Pascale, Antonio Francesco Logrieco & Annalisa De Girolamo
食品标签
小麦 光谱/色谱/质谱等分析方法计算机标签
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 时序传感器/物联网数据采用顶空固相微萃取(HS‑SPME)联用质谱型电子鼻(MS‑eNose),结合多元统计分析,作为非靶向分析方法,对100% 意大利硬质小麦意面开展快速真伪鉴别研究。在测试的分类模型(主成分分析‑线性判别分析 PCA‑LDA、偏最小二乘判别分析 PLS‑DA、支持向量机分类 SVMc)中,SVMc在校正集(准确率 90%)与验证集(准确率 92%)均实现最高判别精度。通过顶空固相微萃取‑气相色谱‑质谱联用(HS‑SPME/GC–MS)分析,筛选出可区分意面样品的潜在标志物。在 59 种挥发性有机化合物(VOCs)中,有 8 种化合物的含量在 100% 意大利硬质小麦意面与其他产地硬质小麦制作的意面间存在显著差异,这些差异物质大多与两类意面中脂质氧化程度的不同相关。本研究建立的质谱型电子鼻方法快速、可靠,可用于意大利意面的真伪鉴别,既有助于推广其地理标志性特征,也能保护消费者免受食品欺诈行为侵害。