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
-
酚类谱作为橄榄品种识别、追溯和质量控制的强效机器学习工具
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Fabiola Eugelio, Marcello Mascini, Elettra Marone, Federico Fanti, Sara Palmieri, Manuel Sergi, Michele Del Carlo, & Dario Compagnone
食品标签
新鲜水果 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
支持向量机 随机森林 K-近邻 主成分分析/判别分析 分类/鉴别/等级评定本研究考察来自四个欧洲油橄榄品种(Arbequina、Arbosana、Frantene 和 Koroneiki)的橄榄酚类和脂肪酸谱,这些品种广泛种植于地中海地区,并在意大利不同成熟阶段采集。研究旨在评估橄榄化学谱作为品种分类标志物的潜力,并采用线性判别分析、k 近邻、朴素贝叶斯、随机森林和支持向量机等机器学习算法。结果显示,在所有模型中,酚类谱的分类准确率显著高于脂肪酸谱。基于酚类数据时,随机森林和支持向量机准确率达到 98%;而基于脂肪酸数据时,表现最好的朴素贝叶斯模型准确率仅为 65%。值得注意的是,绿原酸、阿魏酸和芹菜素等少量酚类化合物对分类具有关键作用。研究表明,机器学习结合酚类谱可提升橄榄产业中的品种识别、可追溯性和质量控制能力。
-
利用可见/近红外光谱和多元回归分析对贾瓦迪桃果实品质参数进行无损评估
查看原文2025
Food Chemistry
中科院一区JCR一区Vali Rasooli Sharabiani, Nadia Saadati, Fatemeh Alizadeh & Mariusz Szymanek
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 植物化学/生物活性成分计算机标签
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旨在无损识别贾瓦迪桃的品质参数。在此背景下,研究采用了一个波长范围为350至1150纳米的电容阵列(CCD)光谱辐射计,用于无损预测pH值、可滴定酸(TA)、可溶性固态物(SSC)、总酚(TP)、提取花青素(Prance和Nesbitt法)。研究利用多元偏最小二乘(PLS)回归模型,同时考虑了参考测量值和降解测量值。为预测桃的品质属性,研究单独或组合应用了多种光谱数据处理技术,如萨维茨基-戈莱平滑(SG)、一阶导数(D1)、增量扩散率校正(MSC)、标准正态变量(SNV)和基线校正,组合方式包括(SG + MSC + D1)和(SG + 基线)。模型性能通过预测均方根误差(RMSEP)、相关系数(rp)和标准差比(SDR)进行评估。最优模型对pH值的预测准确性较高(原始光谱:RMSEP = 0.15,rp = 0.94,SDR = 3.0);对TA(一阶导数:RMSEP = 0.07,rp = 0.86,SDR = 2.29)和SSC(MSC:RMSEP = 1.17,rp = 0.85,SDR = 1.88)的预测准确性中等;而对TP和EA的预测准确性较低(SDR < 1.5)。与破坏性方法相比,这种无损检测方法能快速、经济地进行品质评估。
-
结合结构光反射成像与改进YOLO v7的柑橘内外缺陷同步检测方法
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Zhonglei Cai, Yizhi Zhang, Jiangbo Li, Junyi Zhang & Xuetong Li
食品标签
新鲜水果 颜色与外观品质 微生物安全 显微与成像技术计算机标签
其他深度学习结构 目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据在实际生长环境中,柑橘类水果的缺陷表现复杂多样,既包括外部缺陷(如黄皮层紊乱、开裂、溃疡病、风斑),也包括内部缺陷(如早期腐烂)。此外,果实的果蒂和脐部也可能被误判为缺陷。为解决传统方法在同时识别柑橘外部和内部缺陷方面的局限性,本研究提出了一种将结构光反射成像(SIRI)技术与改进的YOLO v7相结合的柑橘缺陷检测方法。在发光二极管(LED)SIRI系统下,采集了空间频率为0.25周/毫米的原始条纹图像。采用三相移法恢复直流分量(DC)图像和交流分量(AC)图像。AC图像包含特定深度的组织信息,能够同时可视化肉眼无法察觉的早期腐烂区域和样品表面缺陷,为柑橘外部和内部缺陷的同步检测奠定了基础。以AC图像为输入,以YOLO v7为识别模型,对柑橘的外部和内部缺陷进行同步识别。YOLO v7的mAP0.5和F1分别为93.5%和92.4%。与原始YOLO v7相比,逐步替换CA模块、Mish模块和SPPFS模块并进行消融实验后,mAP0.5分别提高了1.4%、0.9%、0.7%和2.4%,F1分别提高了1.9、1.2、0.6和2.7。改进后的YOLO v7提高了识别外部和内部缺陷的准确率。使用独立批次的样品和训练好的YOLO v7-CA-Mish-SPPFS检测模型,总体分类准确率达到94.9%。结果表明,SIRI技术与改进的YOLO v7模型相结合能够有效识别柑橘类水果的外部和内部缺陷,从而减少样品的重复检测。本研究为柑橘产业中首次同步检测外部和内部缺陷提供了一种新方法。
-
结合收获前和包装厂的数据以及储存试验,为“奥瑞”柑橘开发智能物流管理系统
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Abiola Owoyemi, Moria Balaklav, Ron Porat, Amnon Lichter, Aviv Goren, Noam Koenigstein & Yael Salzer
食品标签
新鲜水果 货架期预测与品质劣变动力学 其他品质相关性质计算机标签
智能手机/其他 定量预测/回归分析奥瑞柑橘是以色列种植和出口的主要柑橘品种。在本研究中,我们评估了利用大规模采前数据和商业包装厂数据来预测不同批次奥瑞柑橘采后贮藏性能的潜力。为此,我们在3年(2022-2024年)期间,对每年79至93批次的奥瑞柑橘进行了采后性能检测,检测在5°C下贮藏2周、4周和8周,以及在22°C下货架期1周后的情况。所观察的采前数据包括气候特征(降雨量和温暖天数)和园艺特征(收获时间、树龄、产量和土壤类型),所观察的包装厂数据包括成熟度特征(总可溶性固形物、酸度和果汁含量)以及包装线质量评估特征(各种缺陷的出现情况和包装率)。通过机器学习算法将观察到的采前数据、包装厂数据与采后贮藏数据相结合,能够预测腐烂率,其决定系数(R²)为0.60,均方根误差(RMSE)为10.56%;还能预测果实质量合格评分,在1分(极差)至5分(极佳)的质量评分量表上,其决定系数(R²)为0.74,均方根误差(RMSE)为0.57。基于采前数据和包装厂数据开发果实质量预测模型,有助于未来实施智能物流管理系统,该系统将能根据预测的货架期,把特定批次的果实导向不同的市场目的地,从而确保只有高质量的产品才能抵达目标市场。
-
利用高光谱成像分析对月桂莓质量进行无损评估:从单个产品到模板包装产品,通过模型转移
查看原文2025
Food Chemistry
中科院一区JCR一区Leiming Yuan, Xueping Fu, Xiaoyu Zuo, Qiaojun Jiang b, Hao Ji c, Xi Chen, Chengxi Jiang, Zhonghao Xie & Xiaojing Chen
食品标签
新鲜水果 颜色与外观品质 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱月桂莓是柔软美味的水果,但其质量评级带来了很大挑战。本研究采用高光谱成像(HSI)分析,用于预测单个及模板包装中月桂莓的重量和可溶固体含量(SSC),这些样本来自不同地区和日期的三批样本。一个简单的图像过程是利用图像区域描述符和平均灰度光谱测量月桂莓的质量。通过多重线性回归预测月桂莓权重,预测均方根误差(RMSEP)小于0.6。SSC预测采用优化的竞争加权重抽样算法结合偏最小二乘法(PLS),导致RMSEP低于0.8。为了提升其他批次单个或包装月桂莓的预测准确性,采用了斜率偏差校正(SBC)方法转移PLS模型。SBC有效解决了不同批次和采集模式间的预测偏差,展示了其提升基于HSI质量评估的潜力。