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 39 条结果
-
基于高光谱成像和深度学习技术的草莓果实早期碰伤自动检测
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Chanjun Sun, Lei Zhang, Lixiang Zhai, Tingting Shen, Jianrong Cai, Xiaobo Zou, & Zhiming Guo
食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 显微与成像技术计算机标签
深度学习 偏最小二乘法 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据草莓因其感官品质而受到消费者喜爱。然而,其组织结构柔嫩,在采后处理过程中容易发生机械损伤(如碰伤)。这些不明显的损伤会在运输和贮藏过程中加速微生物感染和腐败。因此,早期无损检测碰伤对于商品草莓品质保障至关重要。本研究探讨了利用高光谱成像快速检测草莓早期碰伤的可行性。首先建立基于全波长(460-1030 nm)的偏最小二乘-线性判别分析(PLS-LDA)模型用于草莓碰伤判别,准确率达到 99.21%。为提高检测效率,分别通过 RGB、子窗口置换分析(SPA)和随机蛙算法(RF)各选择 3 个特征波长。基于 SPA 和 RF 特征波长的模型获得了与全波长模型相当的性能。随后,研究基于特征波长合成图像,利用 YOLOv5 模型实现碰伤位置自动识别,F1 分数超过 93.03%。结果表明,高光谱成像结合特征波长是快速检测早期碰伤的有效工具,YOLOv5 模型能够实现草莓碰伤区域的自动识别。
-
基于优化机器学习的多传感器融合用于贮藏库尔勒香梨新鲜度无损监测
查看原文2026
Food Control
中科院一区JCR一区Zhongbiao He, Jiahao Yu, Xue Zhou, Tengfei Tang, Bin Chen, Huibing Wang, Jingqi Gong, Jiashuo Shi, Xiaoshuan Zhang, & Yongman Zhao
食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 碳水化合物与糖类计算机标签
深度学习 支持向量机 分类/鉴别/等级评定 多模态/融合数据 时序传感器/物联网数据高效、无损的新鲜度监测对库尔勒香梨贮藏过程中的质量控制具有重要意义。本研究构建了融合气体组成、环境参数和介电特性的多传感器信息融合策略,并结合优化机器学习模型进行新鲜度分类。研究利用气体传感器、环境传感器和介电测量采集样品信息,同时以硬度、可溶性固形物等品质指标辅助建立新鲜度等级。研究比较了反向传播神经网络、支持向量机和随机森林模型,并采用遗传算法和粒子群优化提升模型性能。研究建立了 L1-L4 介电新鲜度等级,介电参数与硬度和可溶性固形物表现出较强相关性。采用高斯核的 PSO-SVM 模型取得最佳分类效果,准确率为 97.50%,F1 值为 97.49%,偏差较低;基于。NET 的数据采集平台进一步验证了连续监测的可行性。结果表明,多传感器融合与优化机器学习可为贮藏库尔勒香梨新鲜度无损监测提供准确、实用的方法。
-
利用光谱校正和可见/近红外光谱提升套袋“翠冠”梨可溶性固形物含量预测性能
查看原文2026
Food Control
中科院一区JCR一区Yiran Zhao, Qingqing Li, Changqing An, Kun Tao, Yida Yu, & Huirong Xu
食品标签
新鲜水果 保藏与贮藏 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 支持向量机 定量预测/回归分析 红外/拉曼光谱数据套袋是“翠冠”梨生长过程中常用的农业技术,也能在采收、运输和贮藏过程中有效保护果实。然而,在使用基于可见/近红外光谱的在线无损检测方法预测可溶性固形物含量时,果袋的遮挡效应及其材料会显著影响预测精度。因此,本研究针对套袋梨提出了一种基于偏最小二乘回归算法的光谱校正方法。该方法首先基于 Pearson 相关系数调整强度光谱权重,然后使用 PLSR 对套袋梨光谱中每个波长点进行校正。基于校正后的光谱,研究使用 PLSR 和最小二乘支持向量机建立 SSC 预测模型。此外,还使用连续投影算法和竞争性自适应重加权采样等特征波长选择算法,以提高模型准确性和效率。CARS-LSSVM 模型表现最佳,Rp2、RMSEP 和 RPD 分别为 0.814、0.284% 和 2.236。与基于原始套袋光谱的 SSC 预测模型相比,这些指标分别优化了 28.7%、25.5% 和 34.2%。本研究为果袋导致的光谱在线检测挑战提供了新解决方案,并成功实现了套袋“翠冠”梨 SSC 的可靠预测。
-
基于高光谱成像和深度学习的中国沙果早期碰伤检测
查看原文2026
LWT
中科院一区JCR一区Dajie Song, Yu Song, Weijie Lan, Zhenjie Wang, & Leiqing Pan
食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 显微与成像技术计算机标签
卷积神经网络 偏最小二乘法 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据早期且准确地检测果实损伤对于保持中国沙果采后品质至关重要。本研究利用 400-1000 nm 高光谱成像开发了一种快速、无损的早期碰伤检测方法。研究在 7 天贮藏期内采集了经不同冲击能量(0、0.14、0.27 和 0.41 J)处理果实的高光谱图像。光谱分析显示,特定波长区域与碰伤诱导的生理变化密切相关。研究构建并比较了偏最小二乘判别分析、支持向量机判别分析和一维卷积神经网络。1D-CNN 表现最佳,在全光谱数据下总体验证准确率为 89.9%,在冲击后 2 h 使用筛选特征波长(520-560、625-695 和 710-760 nm)时达到 91.3%。这一简化特征波长模型在保持高准确率的同时显著降低了计算复杂度,显示出用于实时分选的潜力。结果表明,高光谱成像结合 1D-CNN 可为中国沙果早期碰伤无损检测提供稳健高效的工具。
-
利用光谱、计算机视觉和深度学习对嫩椰子水品质进行多模态无损检测
查看原文2026
Food Control
中科院一区JCR一区Tao Wang, Renlong Huang, Zheng Wei, Meizhen Xie, Lipin Chen, Wei-Ting Wang, & Yong-Huan Yun
食品标签
其他饮料 品质、结构与理化性质 保藏与贮藏 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
卷积神经网络 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱无损检测技术的发展对于保证椰子水品质评估的准确性和效率至关重要。因此,本研究拟通过整合光谱、计算机视觉、多模态数据融合和深度学习方法,建立一种用于评估椰子水贮藏时间和品质指标的多模态无损检测方法。结果表明,基于高光谱数据建立的椰子水品质指标回归模型总体优于基于近红外光谱的模型。进一步地,采用特征波长建立的模型优于使用全光谱的模型,其中 pH 和浊度模型表现最佳。基于高光谱数据建立的椰子水贮藏时间判别模型优于基于近红外光谱和计算机视觉图像的模型,其中一维卷积神经网络取得最高准确率。此外,研究表明,数据融合技术可显著提高回归模型和判别模型的性能。融合数据对椰子水贮藏时间的最高分类准确率在室温下达到 92.31%,在冷藏条件下达到 94.74%。