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
-
通过多物理场模拟揭示冷藏拖车运输过程中柑橘果实温度的异质性
查看原文2025
Food Control
中科院一区JCR一区Elisabeth Tobler, Jörg Schemminger, Leo Lukasse, Taylor Person & Thijs Defraeye
食品标签
新鲜水果 冷藏与冷冻保藏计算机标签
定量预测/回归分析 小规模数据集冷藏拖车的合理设计和操作对于保持新鲜水果在公路运输过程中的温度和质量至关重要。尽管在途温度监测是一种广泛使用的追踪温度和检测产品质量潜在风险的策略,但它对货物内部的温度变化以及导致这些变化的潜在因素提供的见解有限。基于物理的模型可以弥合这一差距,提供对运输过程中货物内部热生理过程和温度异质性的更深入理解。这些模型在优化冷藏运输操作方面具有巨大潜力。
在本研究中,采用多孔介质方法,开发了一个装载柑橘的冷藏拖车的三维物理模型,以研究气流和热传递动力学,重点关注拖车内部的瞬态温度变化。通过将实测的温度传感器数据整合到模型中,创建了该冷藏拖车的数字孪生,以镜像对应货物的热行为。对一个具体运输批次进行了模拟,并将结果与遍布整个货物98个特定位置的实验测量数据进行了比较。
结果表明,模拟有效地捕获了冷藏拖车内发生的物理过程,随着包括预冷温度变异性和货物异质性在内的初始及边界条件的精确定义,模拟精度不断提高。此外,模拟结果强调了某些托盘预冷不充分、包装和装载不当如何对整个货物产生不利影响。基于物理的模型在评估各种场景以优化冷藏运输方面显示出巨大潜力。 -
新鲜切苹果酶促褐变的实时光学监测:将摄影与生理和转录组学洞见结合起来
查看原文2025
Food Chemistry
中科院一区JCR一区Shenghu Luo, Chaozhe Li, Xuejin Li, Jianduo Shen, Jia Li, Xiaoying Zhang, Yu Wu, Kunzu He, Yuqian Jiang & Yao Tang
食品标签
新鲜水果 氧化、褐变等化学变化 显微与成像技术计算机标签
智能手机/其他 过程控制与实时优化 可见光/RGB/视频数据本研究提出了一种实时监测新鲜切苹果酶促褐变的方法,将连续光学摄影与MATLAB辅助图像处理和数据分析相结合。该摄影记录被用来精确追踪新鲜切片苹果的褐变速率,从而识别酶活性的关键阶段,并进一步阐明氧化应激与抗氧化反应之间的动态相互作用。结果显示,切片后35–50分钟是新鲜切苹果酶促褐色的关键阶段。生理学研究进一步将褐变的拐点与膜过氧化增加及与氧化应激管理相关的代谢途径转变联系起来。将实时成像与分子生物学技术结合,有助于全面理解新鲜切割组织中褐变机制。我们的研究结果对质量评估和抗褐变策略的发展具有重要意义,并为监测切片水果的新鲜度和市场价值提供了有力工具。
-
一种知识引导的尺寸校正策略,用于提高苹果跨尺寸变异下可溶性固形物含量检测的准确性和鲁棒性
查看原文2025
Food Control
中科院一区JCR一区Penghui Liu, Changqing An, Zhizhong Sun, Ying Zhou, Xuan Luo, Huirong Xu & Lijuan Xie
食品标签
新鲜水果 过程监测与在线检测 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 定量预测/回归分析 红外/拉曼光谱数据在线非破坏性水果质量评估受到全球越来越多的关注。然而,评估的准确性和可靠性容易受到水果尺寸、测量方向和环境波动等变异的影响。本研究提出了一种知识引导的尺寸校正策略,以减轻苹果中尺寸变异对光谱和可溶性固形物含量(SSC)检测的影响。开发了尺寸-偏最小二乘(Size-PLS)模型,用于从光谱数据预测果实尺寸,通过PLS变量重要性投影(VIP)识别与尺寸相关的特征。对这些特征进行算术映射,以抑制尺寸敏感波段,从而校正原始光谱。随后利用尺寸校正后的光谱建立PLS和卷积神经网络(CNN)模型来预测SSC。为了验证所引入校正策略的有效性,在SSC预测方面将其与四类七种传统校正方法进行了比较。两个数据集的结果表明,虽然相关性校正、全局校准和重新校准方法对模型外推预测的改进有限,但所提出的校正方法分别使PLS模型的平均RMSEV显著降低了28.92%和23.33%,CNN模型的平均RMSEV显著降低了32.69%和66.00%。此外,它还进一步增强了相关性校正、基于有效波长的模型补偿和重新校准对尺寸变异的缓解效果。总的来说,所引入校正策略背后的知识引导概念为解决样本和环境变异引起的模型失效提供了新的见解和视角,为水果及更广泛的农产品行业的质量评估提供了实用可靠的解决方案。
-
基于随机蛙连续选择残差可见-近红外光谱的集成模型预测杨梅可溶性固形物含量
查看原文2025
Food Control
中科院一区JCR一区Leiming Yuan, Yimin Liu, Feng Gao, Qiaojun Jiang, Hao Ji, Xiaojing Chen, Xi Chen & Furong Zhu
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
随机森林 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据本研究提出了一种稳健的方法,利用便携式可见-近红外(vis-NIR)分析仪结合自适应增强(AdaBoost)集成学习框架,无损预测中国杨梅的可溶性固形物含量(SSC)。杨梅的交互光谱经z-score归一化预处理后,采用随机蛙(RF)算法从前一轮残差光谱中筛选关键变量构建偏最小二乘(PLS)模型。通过整合多个顶级RF-PLS子模型构建AdaBoost集成模型,并与其他集成策略比较。结果表明,连续RF选择后的残差光谱仍保留有效信息,第五轮RF-PLS模型的预测均方根误差(RMSEP)>0.77,仅略低于全光谱PLS模型。整合前三名子模型的AdaBoost模型性能最优,RMSEP为0.713,较全光谱PLS模型降低7.2%,优于偏差平均法和Lasso集成策略。该框架通过残差光谱连续构建RF-PLS子模型,最大化利用光谱信息,显著提升了便携式NIR分析仪对杨梅SSC的预测精度。
-
使用高光谱成像和基于变分自编码器的深度学习对冷藏后的"亮红"柿子果实进行硬度分类
查看原文2025
LWT
中科院一区JCR一区Salvador Castillo-Gironés, Ángel González, Sandra Munera, Marcelino Martínez-Sober, Sergio Cubero, Nariane Q. Vilhena, Ivan Blanco-Álvarez, & Juan Gómez-Sanchis
食品标签
新鲜水果 冷藏与冷冻保藏 质构与流变性质 质构与流变测试 显微与成像技术计算机标签
卷积神经网络 其他深度学习结构 支持向量机 分类/鉴别/等级评定 高光谱/多光谱光谱硬度是"亮红"柿子水果最重要的品质参数之一,并且在冷藏过程中可能会受到显著影响。行业要求收获时硬度为40 N以便储存,商业化销售时为20 N。本研究评估了使用高光谱成像技术来确定工业条件下储存柿子的硬度。为此,水果样品在各种工业条件下储存长达三个月,以产生广泛的硬度水平。每个样品水果的高光谱图像在420-1010 nm范围内采集,并通过质构仪测量硬度。研究采用了一种创新的方法,将卷积变分自编码器(VAE)用于从硬度曲线和图像中提取特征,并结合聚类分析来识别硬度水平。聚类分析识别了三种不同的硬度类别(硬、中等和软),这些类别对应于行业的需求。使用六个波长,支持向量机(SVM)分类模型准确地将81.3%的果实样本分类到相应类别,从而为利用多光谱图像进行在线检测铺平了道路。这一方法展示了将高光谱成像与先进机器学习技术相结合,在不破坏果实的情况下预测"红亮"柿子硬度的潜力,可用于果实质量评估。