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
-
梨霉心的声振检测:结合图像编码和混合深度学习的新方法
查看原文2026
Food Control
中科院一区JCR一区Kang Zhao, Yue Yang, Yunhao Zhang, Ye Song, & Tao Shen
食品标签
新鲜水果 显微与成像技术计算机标签
其他深度学习结构 梯度提升决策树 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据现有梨霉心声振检测技术自适应特征提取能力较弱,对早期霉心梨的区分准确率较低。为解决这一问题,本研究提出一种“单点激励-双点感知”声振方法,并结合图像编码和混合深度学习模型。研究使用自制声振测试系统获取梨的声振信号,并利用改进图像编码方法将声振信号转换为特征图像。随后,采用由深度可分离卷积改进的 DSC-SqueezeNet 特征提取器和视觉 Transformer 特征提取器,自适应提取与梨霉心相关的深层特征,并使用 t-SNE 对两类特征提取器得到的深层特征进行定性和定量聚类分析。结果显示,DSC-SqueezeNet 从多尺度非对称递归图特征图像中提取的深层特征在类间分离度和类内紧凑性方面优于 ViT,DB 为 0.1981、CH 为 4409.7842,更能表征三类梨响应信号图像的细节信息。最后,将最优特征图像提取的深层特征输入多层感知机和 XGBoost 两类分类器,并通过 Optuna 优化超参数,构建 DS-OPMLP 和 DS-OPXG 识别模型。分类结果表明,以 MARP 为输入的 DS-OPXG 判别模型在测试集上准确率达到 95.83%,比 DS-OPMLP 高 5.56 个百分点;对轻度霉心梨的灵敏度和特异性分别为 96.15% 和 95.65%。消融实验验证了 DSC 与 XGBoost 融合的有效性。在外部验证集中,DS-OPXG 仅将一个轻度霉心梨判为重度霉心梨,健康梨、轻度霉心梨和重度霉心梨的分类准确率分别为 90.48%、97.44% 和 86.49%。因此,MARP 与混合深度学习构建的 DS-OPXG 模型可有效捕获声振信号细节,提高轻度霉心梨判别准确率,对梨内部病害声振无损检测具有实际应用意义。
-
SS-CNN BruiseFinder:基于高光谱成像和 CNN 空间-光谱融合的李子碰伤无损分析
查看原文2026
Food Control
中科院一区JCR一区Shanthini K.S., Sudhish N. George, Jobin Francis, & Sony George
食品标签
新鲜水果 品质、结构与理化性质 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
卷积神经网络 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据李子在采后处理过程中容易发生机械碰伤,而早期碰伤通常难以通过肉眼识别。本研究开发了 SS-CNN BruiseFinder 模型,利用 Vis-NIR 高光谱图像中的空间和光谱特征融合,实现李子碰伤无损检测和碰伤时间分类。研究从挪威水果商店购买李子,并通过受控冲击试验造成人工碰伤,即从固定高度释放 60 g 砝码撞击果实。研究使用 400-1000 nm、204 个光谱波段的高光谱系统,分别在碰伤后 30 min、1 h、3 h、6 h、12 h、24 h 和 48 h,以及健康对照阶段采集图像,共获得 3360 个原始高光谱图像样本。SS-CNN BruiseFinder 结合光谱特征提取、空间特征提取和特征融合,并与自定义光谱 CNN、ResNet101 和双向 LSTM 在同一数据集上比较。该模型对潜伏早期碰伤的检测准确率为 68.5%,对较久碰伤的检测准确率为 91.5%,不同碰伤时间分类场景中的准确率为 67.39%-98.16%。作者公开了代码。结果表明,空间-光谱 CNN 融合可支持供应链中碰伤李子的无损分选、鲜度评估和质量信息传递。
-
融合高光谱分析和 WGAN-GP-MMoE 框架的猕猴桃品质多指标预测
查看原文2026
Food Control
中科院一区JCR一区Zihan Liu, Qian Chen, Jiali Li, Haosong Liu, Boyu Shuai, Linghuan Ouyang, Zihan Bian, Junyi Wang, Jiabin Yu, & Jianping Qian
食品标签
新鲜水果 质构与流变性质 干燥保藏 显微与成像技术 质构与流变测试 碳水化合物与糖类计算机标签
支持向量机 小样本学习 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据高光谱成像广泛用于水果品质无损评价,但多数应用集中于单一指标,并依赖充足标注样本。本研究提出 WGAN-GP-MMoE 框架,在小样本条件下同步预测采后猕猴桃的干物质、可溶性固形物和硬度。研究采集 380 个“中猕 2 号”猕猴桃,并分别通过冷冻干燥、折光法和质构测试测定 DM、SSC 和硬度参考值。研究采集 400-1000 nm 范围内的高光谱图像,并按 70% 训练集、15% 验证集和 15% 测试集划分。WGAN-GP 用于生成合成高光谱反射数据及对应品质标签;训练 2000 轮后的生成样本因其光谱与标签分布与真实样本高度一致而被选用。随后进行 MSC 预处理和 CARS 特征选择,并建立具有共享专家网络和任务特异门控的 MMoE 多任务模型。与 SVR 和多任务 MCNN 相比,Mixed-CARS-MMoE 在验证集上表现最佳,DM、SSC 和硬度的 R2 分别为 0.8908、0.9128 和 0.7492,RMSE 分别为 0.1442、0.0699 和 0.1794,RPD 分别为 3.0261、3.3864 和 2.6633。该框架支持猕猴桃品质多指标在线监测和智能分级。
-
不同处理方式对柑橘贮藏货架期影响的系统比较及保鲜措施筛选:一项频次网络 Meta 分析
查看原文2026
Food Chemistry: X
中科院一区JCR一区Shiyi Xu, Xinyue Dai, Weifeng Zhao, Xuehu Yang & Ran Tang
食品标签
新鲜水果 保鲜涂膜与保鲜剂计算机标签
机器学习/统计学习 定量预测/回归分析背景柑橘果实采后极易发生损耗,亟需高效且环境友好的保鲜策略。本研究对多种处理方式进行综合评价,旨在筛选出延长柑橘货架期的最优措施。方法采用贝叶斯网络 Meta 分析对随机对照试验进行整合,比较 27 种保鲜处理,并通过合并关键指标的标准化均数差对保鲜效果进行排序。结果不同处理在特定目标上表现更优:肉桂油 - 魔芋葡甘聚糖涂膜可保持果实硬度并减少失重;羟丙基甲基纤维素 - 壳聚糖复合处理能抑制腐烂并调控酸度;生物活性处理可提升次生代谢产物含量与抗氧化酶活性。结论本 Meta 分析为柑橘保鲜处理提供了循证排序,可为降低采后损耗、提升果实品质及推动可持续发展提供指导。不存在普适性最优的单一处理方式,未来研究应聚焦多目标优化,构建均衡的综合保鲜方案。
-
增强树莓成熟度检测与分类:一种用于高效特征提取与精准分析的YOLO-CG-CPCA网络模型
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Yunfei Han, Dianbin Su, Huihui Xu, Xiaojun Meng, Baoya Wang, Deqing Wang, Lianming Xia, Xia Sun & Yemin Guo
食品标签
新鲜水果 其他品质相关性质 过程监测与在线检测 显微与成像技术计算机标签
目标检测网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据由于微妙的成熟度变化和复杂的自然环境,准确高效地识别树莓成熟度仍然是一项具有挑战性的任务。本研究通过开发改进的YOLOv8模型,着重提高树莓成熟度分类的准确性和效率。开发并采用了基于移动成像的标准化暗箱成像系统,以确保图像采集的高度一致性和稳定性。为了解决细粒度的成熟度差异,模型引入了C2f-ContextGuided模块,以增强局部和全局特征提取,提高特征区分能力。此外,还引入了通道先验卷积注意力机制,以突出特征图中的关键信息。同时集成了Wise-IoUv2损失函数以提高定位鲁棒性。实验结果表明,所提出的YOLO-CG-CPCA模型在平均精度均值上优于基线YOLOv8s模型3.0%。此外,相较于Faster R-CNN、YOLOv5s、YOLOv7-Tiny、YOLOv10s和YOLOv11s,该模型分别取得了1.8%、0.9%、0.9%、2.5%和1.5%的相对提升。总之,所提出的模型显著增强了树莓成熟度识别的准确性和效率。它为浆果的智能采后分级设备开发提供了技术支持,并为草莓和蓝莓等其他小水果蔬菜的自动化检测提供了参考。