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 291 条结果
-
用于红辣椒粉掺假检测的深度神经网络:食品质量4.0的支柱
查看原文2026
Journal of Future Foods
中科院一区JCR一区Dilpreet Singh Brar, Birmohan Singh, & Vikas Nanda
食品标签
其他果蔬制品/植物类 其他安全问题 品质、结构与理化性质 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 分类/鉴别/等级评定 可见光/RGB/视频数据红辣椒粉(rcP)是一种用途广泛的香料,由于其独特的辛辣特性和红色,全球各种烹饪产品中均有应用。市场需求较高使这种香料容易受到不道德掺杂的影响,因此其质量评估至关重要。计算机视觉在食品掺假检测中的非破坏性应用因其稳健性和可行性,一直吸引着研究人员和行业关注。随着食品质量4.0和人工智能时代的到来,本研究采用基于一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)模型的方法来检测rcP的掺假情况。性能评估指标用于分析这些模型的效率。基于Lab色彩空间的直方图特征在1D-CNN模型(BS-40,Epoch 100)上的训练显示准确率为84.56%。另一方面,2D-CNN模型DenseNet-121(adamW和BS-30)的测试准确率也为84.62%。根据本研究的观察,可以得出结论,CNN模型可以成为解决食品质量评估中掺假检测问题的有前景的工具。此外,可以开发基于物联网的系统,帮助工业和政府机构监控rcP的质量,以应对食品掺假行为。
-
利用拉曼光谱和化学计量学-深度学习模型对水牛乳掺假进行定性与定量分析
查看原文2026
Food Control
中科院一区JCR一区Henggang Li, Wangchang Li, Qiyang Xie, Duming Cao, Dilin Xiao, Jianghua Shang, & Xiaogan Yang
食品标签
豆类与坚果(及籽类) 液态乳 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类计算机标签
卷积神经网络 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据水牛乳营养丰富,但容易发生掺假,从而对食品安全构成挑战。本研究利用拉曼光谱分析水牛乳、豆浆、荷斯坦牛乳以及五种常见添加物,包括氯化铵、尿素、碳酸氢钠、柠檬酸钠和蔗糖。研究系统评估了六种光谱预处理方法以提升模型性能。在定性检测方面,结合乘法散射校正预处理的 PLS-DA 模型对纯水牛乳、水掺假和豆浆掺假获得了优异的分类准确率,最高可达 100%。在定量分析方面,研究建立了 PLS 和 MSC-CNN 回归模型。MSC-CNN 模型对碳酸氢钠和柠檬酸钠具有较高预测性能,R2 分别为 0.97 和 0.93,RMSEP 小于全量程的 5%。碳酸氢钠和柠檬酸钠的检测限分别低至 17.4 mg/kg 和 20.9 mg/kg,满足实际灵敏度需求。与已有基于 PLS 的方法相比,本研究方法提高了预测精度,并拓展了低浓度检测能力。所提出的拉曼-深度学习策略为乳品掺假监测和质量控制提供了一种快速、准确且无损的解决方案。
-
通过不同校正方法和 1D-CNN 提高悬挂输送草莓 SSC 检测准确性
查看原文2026
Food Control
中科院一区JCR一区Chen Wang, Yu Qiao, Xiaonan Li, Li Sun, Guangjun Qiu, Ruiyun Zhou, Zhiming Guo, & Jianrong Cai
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
卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集悬挂输送草莓的在线可溶性固形物含量检测会受到果实尺寸、悬挂高度和内部 SSC 分布差异的影响,从而降低光谱预测准确性。本研究针对悬挂输送系统中的草莓 Vis/NIR 在线 SSC 检测,开发了校正策略和深度学习模型。研究利用视觉模块实时监测果实尺寸和悬挂高度,并采用等效圆校正和弦长校正修正光程效应。实验使用 212 个红颜草莓,其中 192 个用于建模,20 个用于评估 SSC 空间分布。经校正和特征选择后,ECC-CCC-CARS-PLSR 模型达到 Rp2 0.916、RMSEP 0.287 °Brix;进一步结合 SSC 空间分布校正后,模型性能提高到 Rp2 0.945、RMSEP 0.229 °Brix。在深度学习模型中,基于原始光谱的 1D-CNN-LSTM 表现最佳,Rp2 为 0.948,RMSEP 为 0.225 °Brix。结果表明,结合视觉校正、光谱校正和深度学习可提高悬挂输送草莓在线 SSC 检测准确性。
-
用于检测奶粉三聚氰胺掺假的智能热成像方法
查看原文2026
Food Control
中科院一区JCR一区Alicia Ortiz-Chiliquinga, Ana M. Pérez-Calabuig, Sandra Pradana-López, John C. Cancilla, & José S. Torrecilla
食品标签
液态乳 食品安全与风险评估 其他安全问题 显微与成像技术 标准/法规/数据库分析计算机标签
卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据 文本/知识库/法规数据本研究开发了一种无损、快速、低成本且准确的方法,结合红外热成像和卷积神经网络,尤其是 ResNet34 架构,用于检测并半定量分析奶粉中的三聚氰胺。研究将三种类型奶粉与不同浓度的三聚氰胺(0.5-10 ppm)混合,每个浓度均制备三次以确保可重复性。加热后,在冷却过程中采集了近 28,500 张热成像图像。数据集的 90% 用于卷积神经网络训练和内部验证,其余 10% 保留用于盲测。所得算法能够按奶粉类型和三聚氰胺浓度对热成像图像进行分类,总体准确率超过 98%。这一性能表明,该方法有潜力作为检测食品欺诈和保障乳制品质量的可靠工具,其经验检测限为 0.5 ppm,显著低于婴幼儿配方奶粉的监管阈值。
-
基于小型图像集的多任务对比学习,用于不同行为类别下的单只奶牛识别
查看原文2026
Journal of Dairy Science
中科院一区JCR一区J.M. Hooker, B.B. de Medeiros, C. Saha, T. Abdulrahman, & A.A.C. Alves
食品标签
液态乳 过程监测与在线检测 显微与成像技术计算机标签
卷积神经网络 目标检测网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集本研究的目标是:(1) 评估"你只看一次"(YOLOv7)算法在自由牛栏奶牛群体行为监测中的应用;(2) 提出一种多任务对比网络(MTCN)用于从有限参考数据中识别个体奶牛,并将其性能与传统卷积神经网络进行比较;(3) 开发并验证一个可扩展的两步计算机视觉框架,整合行为检测和个体识别。21 头饲养在同一牛栏的荷斯坦奶牛通过安装在天花板上的红绿蓝摄像头进行监控,摄像头以 10 秒间隔捕捉图像,持续 30 天。使用带有行为标签的数据集(3,120 张图像)和奶牛特定裁剪图像(1,059 张图像)来训练模型,同时使用单独的测试集(1,620 张图像,8,490 个标注)评估模型在未见数据上的性能。MTCN 的分类性能与基于 MobileNetV3 架构的基线模型进行了比较。将两种分类算法(YOLOv7 和 MTCN)结合起来,用于估算每头奶牛在每日三个时间段(早上 09:00 至 10:00、下午 13:00 至 14:00、晚上 20:00 至 21:00)内饮水总时间(TTD)、进食总时间(TTE)、休息总时间(TTR)和站立总时间(TTS)。YOLOv7 算法实现了较高的群体分类性能,全局准确率为 90.5%,Cohen's kappa 为 0.859。休息行为的指标最高(平衡准确率 99.1%,F1 99.1%),而进食行为的平衡准确率最低(88.3%)。使用 MTCN 的个体识别全局准确率达到 83.6%(Cohen's kappa 0.827),优于基线模型,尤其是在挑战性的休息和饮水姿态识别上表现更佳。TTD、TTE、TTR 和 TTS 的预测值与观测值之间的相关性范围为 0.78 到 0.93,平均绝对误差在 0.62 到 6.72 分钟之间。预测准确性在一天的不同时段有所不同,其中 TTE 和 TTD 的表现最好,而 TTR 的准确性较低,尤其是在夜间。这些结果表明,所提出的计算机视觉框架能够可靠地分类群体行为并识别处于不同姿势的个体奶牛,从而实现自由牛栏乳牛系统中行为特征的连续自动监测。