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 1098 条结果
-
利用物理场的人工智能辅助技术控制果蔬干燥的研究综述
查看原文2020
Trends in Food Science & Technology
中科院一区JCR一区食品标签
水果/蔬菜与菌菇类/植物类 果蔬干/果脯/蔬菜干 物理辅助加工 干燥保藏 过程优化与控制策略计算机标签
机器学习/统计学习 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据人工智能具有持续学习和适应能力,可增强过程控制的容错性和鲁棒性。应用微波、射频、红外辐射和超声波等高效物理场,可以实现高质量果蔬干燥产品的高效生产。人工智能技术与高效物理场相结合能否获得更好的果蔬干燥产品,以及人工智能如何应用于果蔬干燥过程,已引起广泛关注。
范围与方法:应用人工智能技术辅助高效物理场进行果蔬干燥是未来果蔬干燥产业的发展趋势。本文旨在概述利用物理场为干燥过程提供能量的AI辅助果蔬干燥这一新兴领域的近期研究。介绍了一些人工智能技术,如传感器技术、计算机视觉系统以及用于果蔬干燥过程的几种相关AI技术。随后,总结了人工智能在果蔬物理干燥中的应用,以及如何利用AI改善高效物理场干燥果蔬的缺点。
主要发现与结论:在果蔬干燥过程中应用高效物理场可以解决能耗大、干燥不均匀、感官评价差和营养损失大等问题。利用人工智能技术可以在线检测和控制果蔬的干燥过程及其相应的干燥模型,并确定最佳干燥方案。最重要的是,可以弥补高效物理场干燥果蔬的缺点。人工智能技术在辅助高效物理场干燥果蔬方面具有广阔的应用前景。 -
面向“下一代”食品生产系统的人工智能土壤质量与健康指数
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区食品标签
谷物/块根/豆与坚果类 可持续性与资源高值化 微生物与发酵实验计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据 多模态/融合数据目前,缺乏通用的土壤质量指数限制了该方法的采用,并可能阻碍作物生产力和环境可持续性的改善。一些土壤质量指数仅依赖于物理化学特征,这些特征变化缓慢,因此在预测土壤退化方面缺乏适当的时效性。相比之下,微生物对土地利用和/或管理的变化反应迅速。此外,微生物产生许多土壤功能所需的酶和生物物理结构,从而驱动“肥力”、“健康”和“质量”。因此,理解群落驱动的转化应能预测土壤质量响应管理的轨迹。然而,依赖于特定地点因素而产生的多种不同后果和反馈回路超出了现有模型的能力。过去十年中产生了大量的土壤(宏)基因组数据。与此同时,人工智能的进步已经彻底改变了我们在多个领域创建预测模型的能力,例如帮助植物育种者寻找特定的有益性状,以及通过预测天气变化来指导作物管理。作为土壤微生物学家和生物信息学家,我们认为创建一个通用、稳健和动态的人工智能土壤质量指数意味着要利用机器学习算法和土壤微生物组数据,结合传统的物理化学参数和生产力数据。该指数必须足够灵活,以涵盖区域特性,同时允许进行比较研究。在同一指数内细化不同模型可能会提高其准确性,有助于进行实时预测。建立协作努力对于创建该指数至关重要,以最大程度地增强农业管理实践和生态系统可持续性。
-
基于光谱与深度学习的食品与农产品质量评估:综述
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区食品标签
品质、结构与理化性质 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
深度学习 模型可解释性 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 红外/拉曼光谱数据快速、非破坏性的红外光谱技术已应用于食品与农产品的内外品质评估。目前已开发出多种线性和非线性化学计量学方法用于光谱分析。传统化学计量学方法的泛化能力受到不同检测条件下变化的噪声和生物变异性的限制。近年来,深度学习方法已被开发用于光谱降噪、特征提取和校准回归建模。
范围与方法:本综述讨论了传统化学计量学方法当前面临的挑战以及用于光谱分析的新兴深度学习方法。综述涵盖了当前最先进的技术,包括无监督特征提取与降噪模型,以及有监督多元回归方法。同时也探讨了探索深度学习“黑箱”模型学习机制的研究。本综述重点关注深度学习方法在食品与农产品质量评估中的应用、当前研究的经验教训以及未来展望。
主要发现与结论:深度学习方法与光谱传感技术相结合,在食品与农产品质量评估方面显示出巨大潜力。当前基于深度学习的定性分析进展包括品种鉴别、产地溯源、掺假识别和碰伤检测,而定量分析则包括水果、谷物和作物中多种成分含量的预测。深度学习方法的主要优势在于通过端到端分析减少对人类领域知识的依赖,并提高了预测精度和泛化能力。 -
冷链断裂检测与分析:机器学习能提供帮助吗?
查看原文2017
Trends in Food Science & Technology
中科院一区JCR一区食品标签
食品安全与风险评估 包装与智能监测 冷藏与冷冻保藏 过程监测与在线检测计算机标签
机器学习/统计学习 缺陷/异物检测与定位 过程控制与实时优化 时序传感器/物联网数据冷链断裂对食品的影响已被广泛记录,涉及健康、环境和经济等多重风险。物联网(IoT)的出现将实现更严格的实时温度监测,但也对生成数据的处理提出了新问题。
范围与方法:本文介绍并讨论了与冷链断裂检测相关的不同定义和挑战。描述了应用于冷链的机器学习方法,以突出与这些数据相关的问题。此外,这些研究使我们能够引出可用于训练学习模型的不同数据源。
主要发现与结论:冷链领域产生的实验和数值数据具有训练机器学习模型的巨大潜力。据我们所知,尽管机器学习方法已用于预测温度,但这些方法尚未用于检测冷链断裂。然而,已有多种方法可用于检测时间序列数据中的异常。从这些数据中学习将是一个进步:一方面,可以更好地了解冷链断裂;另一方面,可以在适当的时候向操作员发出警报。 -
利用卷积神经网络高效提取深层图像特征在复杂食品基质检测与分析中的应用
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区食品标签
谷物/块根/豆与坚果类 水果/蔬菜与菌菇类/植物类 油脂及油脂制品 饮料 食品安全与风险评估计算机标签
卷积神经网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据 高光谱/多光谱光谱快速可靠地检测和分析食品质量与安全产品的技术和方法的发展对食品工业具有重要意义。基于手工特征的传统机器学习算法通常由于其对复杂食品特征的表征能力有限而表现不佳。近年来,卷积神经网络作为一种有效且具有潜力的特征提取工具出现,它被认为是深度学习中最流行的架构,并已越来越多地应用于复杂食品基质的检测与分析。范围与方法:本综述介绍了CNN的结构、基于一维、二维和三维CNN模型的特征提取方法以及多特征聚合方法。讨论了CNN作为深度特征提取器在检测和分析复杂食品基质中的应用,包括肉类和水产品、谷物及谷物制品、水果和蔬菜等。此外,还比较了CNN与其他现有方法的数据来源、模型架构和整体性能,并重点介绍了未来应用CNN进行食品检测与分析的研究趋势。主要发现与结论:CNN与无损检测技术和计算机视觉系统相结合,在有效和高效检测分析复杂食品基质方面显示出巨大潜力。基于CNN的特征表现出更好的性能,优于手工提取或机器学习算法提取的特征。尽管使用CNN仍然存在一些挑战,但预计未来CNN模型将被部署在移动设备上,用于食品基质的实时检测与分析。