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 236 条结果
-
基于维度转换 Vis-NIR 透射光谱和可解释深浅层模型检测霉心亚健康苹果
查看原文2026
Food Control
中科院一区JCR一区Mingcan Zhai, Zhibin Wang, Youfang Yu, He Li, Xiaoming Mo, Mengxu Zhao, Yanyan Li, Zhihua Zha, & Jie Wu
食品标签
新鲜水果 颜色与外观品质 保藏与贮藏 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
其他深度学习结构 支持向量机 定量预测/回归分析 红外/拉曼光谱数据 可见光/RGB/视频数据种腔内霉变但果肉仍基本保持可食状态的苹果被定义为亚健康果,其及时检测对贮藏和销售控制非常重要,因为这类苹果难以仅凭外观与健康苹果区分。本研究开发了可实现全透射、漫透射和组合透射的 Vis-NIR 光谱检测系统,并结合维度转换和可解释深浅层学习进行分类。主分类任务共选取 371 个富士苹果,包括 152 个健康果、122 个亚健康果和 97 个病果。550-850 nm 光谱经 GASF、GADF、MTF、SDP 和 RP 等方法转换为二维图像。视觉 Transformer 从转换后的光谱图像中提取 768 个深层特征,并比较 kNN、SVM 和逻辑回归分类器。基于全透射强度光谱转换的 GASF 图像,ViT-kNN 模型整体准确率为 81.33%,F1-score 为 81.33%,Kappa 为 72.18%,Matthews 相关系数为 73.17%。SHAP 分析识别出 84 个有影响特征,其中包括 45 个正向特征和 39 个负向特征;前 5 个主特征贡献约 80% 的分类准确率。外部验证另使用 102 个苹果。该方法为苹果早期或轻微内部霉心病检测提供了无损检测思路。
-
基于图像-高光谱融合和 YOLO 模型的菠萝蜜铜锈病无损检测
查看原文2026
LWT
中科院一区JCR一区Yueyi Jiang, Fuzheng Xu, Chong Liu, Guang Wu, Xuemei Wang, Ji Xing, Yu Li, Haixia Long, & Hao Deng
食品标签
新鲜水果 质构与流变性质 颜色与外观品质 显微与成像技术 常规理化指标测定计算机标签
目标检测网络 偏最小二乘法 分类/鉴别/等级评定 多模态/融合数据 高光谱/多光谱光谱为解决传统人工切开检测菠萝蜜铜锈病具有破坏性、效率低等问题,本研究基于高光谱成像技术和图像-高光谱融合策略,建立了两种用于识别病果的无损检测模型。研究首先融合 16 个特征波段光谱和提取的图像纹理特征数据,建立经典偏最小二乘模型;该模型在测试集上精确率为 90.9%,召回率为 70.0%,F1 分数为 78.4%,表现出可接受的性能。随后,研究利用三段高光谱数据融合生成的伪彩色图像构建 YOLO 模型。经过参数优化后,该模型在测试集上取得 98.9% 的精确率、100% 的召回率和 0.99 的 F1 分数,表现更优。采用独立验证集(n = 20)比较显示,YOLO 模型的精确率、召回率和 F1 分数分别比 PLS 模型高 18.1%、80.0% 和 47.8%。本研究为菠萝蜜铜锈病检测提供了一种无损、快速且高效的解决方案。
-
空间频域成像中的单次快照多频解调用于水果实时、准确和宽视场光学性质测量
查看原文2026
Food Control
中科院一区JCR一区Yumeng Peng, Tianze Jia, Xujia Chen, Can Hu, Guoquan Zhou, & Dong Hu
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 显微与成像技术计算机标签
图像分割网络 模型轻量化/边缘计算 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集空间频域成像能够为水果品质评价提供无损、深度分辨的信息,但传统方法需要在不同相位和频率下多次采集图像。本研究提出两种单次快照多频解调方法,从一幅结构光图像中提取多个调制传递函数。第一种方法采用改进的双 Blackman 窗口以抑制旁瓣并保留边缘信息,相比矩形窗口方法降低了约化散射系数图像的相对误差。第二种方法构建了频率-空间注意力 U-Net(FSA-Unet),用于基于深度学习的频率分离。在苹果实验以及梨和桃的验证中,FSA-Unet 相比传统 U-Net 提升了频率分离效果,并将正常苹果光学性质重建的相对误差降低至 5.98%。研究使用 67 个金冠苹果构建 3618 个图像样本,并划分训练集、验证集和测试集。结果表明,该方法可支持水果品质检测中的实时、高精度无损光学性质测量。
-
利用高光谱成像结合点到区间预测模型对猕猴桃冷藏质量属性的无损评估
查看原文2026
Food Chemistry
中科院一区JCR一区Sunli Cong, Jun Sun, Lei Shi, Chunxia Dai, Xiaohong Wu, Bing Zhang, Kunshan Yao, & Xiao Ge
食品标签
新鲜水果 冷藏与冷冻保藏 品质、结构与理化性质 质构与流变性质 显微与成像技术 碳水化合物与糖类计算机标签
卷积神经网络 循环神经网络 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱猕猴桃冷藏质量属性的逐点-区间无损预测可以阐明质量变化,甚至为猕猴桃的动态定价或差异化营销提供强有力的决策支持。提出了结合卷积神经网络(CNN)、门控循环单元(GRU)、极端梯度提升(XGBoost)和核密度估计(KDE)的CGRU-XGB-KDE模型的高光谱成像(HSI)方法,用于评估硬度和总可溶性固形物(TSS)的逐点-区间预测性能。该方法在逐点预测方面取得令人满意的结果,测试集的决定系数(R²)分别为硬度0.95和TSS 0.93。此外,KDE方法表现出更好的区间估计性能,覆盖宽度基准(CWC)在硬度方面为0.3049 - 0.4019,TSS方面为0.1690 - 0.7589。将HSI技术与CGRU-XGB-KDE模型结合,对于实现猕猴桃冷藏品质的高精度和可靠点间预测是可行的。
-
基于高光谱图像预测牛油果采后成熟时间的新方法和 AI 算法开发
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Netanel Karsanti, Noam Alkan, Avital Bechar, & David Zarrouk
食品标签
新鲜水果 过程监测与在线检测 显微与成像技术计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据准确评估牛油果成熟度对于优化采后物流和减少浪费至关重要。本研究探讨了利用高光谱成像估计 Hass 牛油果成熟时间的可行性,并重点关注向多光谱成像过渡,以支持实时和商业化应用。研究通过不同预处理方法和采样技术生成了 24 个数据集。结果表明,在 811 nm 处进行归一化可有效降低照明影响,预先定义采样区域可提高分类准确率。为优化光谱效率,研究开发了两种波段选择算法。局部前向选择算法可动态筛选波段,使用 9 个光谱波段达到 92.3% 的平衡准确率;微 lambda-by-lambda 算法选择最具信息量的一对光谱波段,准确率达到 89.9%,从而验证了开发低成本多光谱传感器的价值。研究在多种验证和标签方法下评估了分类性能,大多数误分类与实际成熟日期的偏差在 1 天以内。这些发现可为包装厂自动化产品分选奠定基础,提升供应链效率并减少采后损失,同时说明实时多光谱感知在农业应用中的可行性。