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
-
基于多传感器融合与机器学习的库尔勒梨贮藏期间实时新鲜度预测
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Zhongbiao He, Jiahao Yu, Xue Zhou, Tengfei Tang, Huibing Wang, Jingqi Gong, Jiashuo Shi, Xiaoshuang Zhang & Yongman Zhao
食品标签
新鲜水果 货架期预测与品质劣变动力学 其他品质相关性质 过程监测与在线检测 其他理化与结构表征计算机标签
其他深度学习结构 支持向量机 随机森林 定量预测/回归分析 时序传感器/物联网数据本研究提出了一种创新的混合传感器机器学习系统,用于对梨的新鲜度进行客观且自动化的评估,克服了传统视觉检测方法在梨储存监测中的局限性。通过危害分析与关键控制点(HACCP)确定了采后处理中的关键控制点。基于Modbus-RTU协议和Winform架构开发了实时监测系统,以获取0°C、4°C和25°C储存条件下的多源环境数据。将理化指标与传感器数据相结合,利用反向传播神经网络(BPNN)、支持向量机(SVM)、随机森林(RF)和径向基函数(RBF)网络算法构建预测模型。结果表明,微环境参数与新鲜度指标之间存在强相关性。在这些模型中,支持向量机(SVM)表现最佳,对硬度的预测准确率为96.67%,对可溶性固形物含量的预测准确率为94.30%。它显著优于传统的阿伦尼乌斯方程法,后者的准确率为88.23%。该监测系统具有较高的可靠性,数据采集精度超过99%,且运行稳定性强。本研究为梨的储存管理提供了一种无损且高效的解决方案,有效降低了品质劣变风险,提高了经济效益。
-
基于高光谱反射成像的灵武长枣早期碰伤综合评估
查看原文2025
Food Control
中科院一区JCR一区Guoling Wan, Jianguo He, Xiaoxue Li, Mei Guo, Qingqing Cao, Jingjing Zhang, Guishan Liu & Xianghong Meng
食品标签
新鲜水果 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
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据鲜食枣质地酥脆,易受机械冲击和挤压而造成损伤,这是消费者购买的主要障碍之一。本研究提出了一种方法,利用高光谱成像技术精确识别和分类不同成熟期灵武长枣的碰伤。结果表明,枣的碰伤变化与550-650 nm、660-750 nm、800-850 nm和950-1000 nm附近的有效光谱变化相关。在比较的模型中,长短期记忆网络(LSTM)模型在识别枣早期碰伤方面明显优于传统机器学习模型。自助软收缩(BOSS)和迭代变量子集优化(IVSO)算法被认为是最佳的特征波长选择方法。对于碰伤等级的判别结果,最优模型在校准集和验证集上的准确率分别达到92.20%和87.80%。此外,基于特征波长的LSTM模型达到了93.55%的预测准确率,成功区分了不同碰伤时间的样本。基于特征波长的最佳简化LSTM模型在2小时内对碰伤和未碰伤枣的判别率达到96%。最后,生成了碰伤位置和等级分布的伪彩色图。本研究证明,高光谱成像与深度学习的结合对于快速评估鲜食枣的隐性碰伤具有最佳能力。
-
利用NFINDR-JMSAM算法进行高光谱透射成像检测由Penicillium digitatum引起的早期衰变橙子,并具有光谱特征分离
查看原文2025
Food Chemistry
中科院一区JCR一区Letian Cai, Liping Chen, Xuetong Li, Yizhi Zhang, Ruiyao Shi & Jiangbo Li
食品标签
新鲜水果 品质、结构与理化性质 微生物安全 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据青霉菌属真菌引发的腐烂是柑橘采后品质劣变的主要诱因,此外,该真菌可快速侵染整批柑橘果实,造成严重的经济损失。但由于早期腐烂无明显视觉特征,对其进行有效检测仍存在较大难题。本研究搭建了可见-近红外高光谱成像系统用于采集全透射图像,并提出NFINDR-JMSAM算法实现图像不同像素的分割。通过提取纯净像素并分离光谱特征,所有测试样本的整体分类准确率可达99.3%。该方法还能有效识别柑橘外果皮、果蒂端及果脐处的伤痕,从而消除伤痕对腐烂柑橘检测造成的干扰。本研究融合高光谱透射成像技术与NFINDR-JMSAM算法,为精准检测柑橘早期腐烂果实、实现不同组织检测结果可视化提供了新的研究思路。
-
基于域对抗神经网络的苹果可溶性固形物预测模型跨品种迁移
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Jiabao Li, Jianing Luo, Qingji Tian, Shanghong Yang, Youhua Bu, Qian Chi & Wenchuan Guo
食品标签
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
其他深度学习结构 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据模型泛化能力差已成为利用可见-近红外光谱检测水果内部品质的关键问题,这是由于不同品种水果的理化特性及光谱分布存在差异,导致针对某一品种建立的模型无法有效预测其他品种的内部品质。为解决该问题,研究以瑞雪、洛川富士和静宁富士苹果为样本,比较了三种迁移方法——两阶段TrAdaBoost.R2(TTB)、微调(FT)和域对抗神经网络(DANN)的迁移性能。结果表明,基于DANN的模型能有效消除同地区同年度内不同品种间的变异性,在迁移可溶性固形物含量预测模型方面效果更优。在从瑞雪迁移至洛川富士的实验中,当目标域样本数为67个时,预测相关系数Rp达0.93,预测均方根误差RMSEP为0.56%,证实了DANN在解决模型泛化能力不足问题上的潜力。
-
利用机器视觉和可见/近红外光谱技术,整合深度学习和数据融合以增强橙子可溶性固体含量预测
查看原文2025
Food Chemistry
中科院一区JCR一区Zhizhong Sun, Hao Tian, Dong Hu, Jie Yang, Lijuan Xie, Huirong Xu & Yibin Ying
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 卷积神经网络 循环神经网络 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据可见/近红外(Vis/NIR)光谱会因样本颜色差异发生畸变,进而降低水果内部成分的预测精度。本研究旨在构建具备颜色校正能力的深度学习模型,基于多源数据融合实现橙子可溶性固形物含量(SSC)的检测预测。首先,研制机器视觉与可见/近红外光谱在线采集装置,完成彩色图像与透射光谱的采集及分析;其次,针对颜色特征与光谱数据提出多源数据融合方法;最后,构建基于多源数据的颜色校正一维卷积神经网络(1D-CNN)模型。试验结果表明,最优颜色校正模型的预测均方根误差(RMSEP)相较于偏最小二乘模型和传统一维卷积神经网络模型分别降低36.4%、16.1%。机器视觉与可见/近红外光谱的多源数据融合,有望提升食品成分检测预测的精度。