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
-
革命性农业:人工智能在提升农产品特性应用中的全面综述
查看原文2025
Food Chemistry: X
中科院一区JCR一区Mansi Nautiyal, Saloni Joshi, Iqbal Hussain, Hrithik Rawat, Akanksha Joshi, Aditi Saini, Rishiraj Kapoor, Himani Verma, Anshul Nautiyal, Aniket Chikara, Waseem Ahmad & Sanjay Kumar
食品标签
食品安全与风险评估 过程监测与在线检测计算机标签
机器学习/统计学习 卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 缺陷/异物检测与定位将人工智能(AI)融入农业标志着精准化和高效化的新时代到来。卷积神经网络(CNNs)通过基于图像的分类实现作物病害的早期检测,减少产量损失。长短期记忆(LSTM)网络支持用于产量预测和土壤健康评估的预测建模,为资源分配提供帮助。尽管机械化和自动化仍是全球性挑战,但现代人工智能和机器学习(ML)应用已经改变了农业实践。本综述探讨了各种人工智能工具,包括机器学习算法、深度学习(DL)模型、物联网(IoT)和决策支持系统(DSS),以及它们在应对诸如提高作物产量、精准灌溉、病虫害防治和明智决策等挑战方面所发挥的作用。本文进一步强调了人工智能在植物育种、灌溉、物流和包装领域的应用。尽管取得了这些进步,但人工智能的广泛采用仍面临诸多障碍,如高昂的成本、隐私问题、基础设施不足以及专业技术知识有限等。本综述为人工智能在农业中的潜力和局限性提供了见解。
-
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。
-
利用高光谱成像定量分析和可视化虾肉腐化过程中的化学成分:机器学习与深度学习模型的比较研究
查看原文2025
Food Chemistry
中科院一区JCR一区Qibing Xi, Qingmin Chen, Waqas Ahmad, Jing Pan, Songguang Zhao, Yu Xia, Qin Ouyang & Quansheng Chen
食品标签
甲壳类 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 循环神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据本研究探究了高光谱成像技术(HSI),用以定量识别虾肉变质过程中挥发性盐基氮(TVB-N)与K值的变化规律。研究构建了低层数据融合(LLF)策略,并分别采用机器学习方法(偏最小二乘法PLS)与深度学习方法(卷积神经网络CNN、长短期记忆网络LSTM、卷积-长短期记忆网络CNN-LSTM)建立预测模型。研究结果表明,深度学习方法凭借优异的特征提取与拟合能力展现出可观的预测效果,但传统化学计量学方法的性能更优于深度学习模型,其挥发性盐基氮(TVB-N)相关决定系数可达0.9431,K值相关决定系数可达0.9815。随后基于最优预测模型生成空间分布图,实现虾肉内部化学成分变化的可视化呈现。该方法可实现虾肉腐败相关品质变化的快速、无损检测预测。此项技术可应用于冷链物流中的虾类品质实时监测,优化库存管理模式,保障海产品食用品质。未来研究可针对不同工况条件进一步优化模型参数,并探索将高光谱成像技术与其他传感技术融合,从而更全面、精准地实现虾类品质综合评价。
-
机器学习在食品计算中的应用:综述
查看原文2025
Food Chemistry
中科院一区JCR一区Zhiyao Zhao, Rong Wang, Minghao Liu, Lin Bai & Ying Sun
食品标签
过程控制与数字化计算机标签
机器学习/统计学习 卷积神经网络 可见光/RGB/视频数据 文本/知识库/法规数据随着全球智能化水平不断提升、可持续发展意识日益增强,人工智能技术在食品行业中的应用愈发广泛。本文结合实际应用案例,综述了基于机器视觉的图像识别技术在食品计算领域的研究现状与发展前景,剖析了图像识别的通用工作流程,以及基于传统机器学习和深度学习方法的各类应用场景。研究涵盖食品安全检测、膳食营养分析、生产过程监控、企业管理模式优化等多个领域,旨在为食品行业与人工智能技术的深度融合、交叉赋能提供坚实的理论依据与技术参考。
-
基于花青素染料的比色传感器阵列结合模式识别算法对韭菜中农药残留的多任务检测
查看原文2025
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Fangzhen Meng, Jihong Deng, Chunyu Zhang, Hengke Zheng, Huazhi Wang & Hui Jiang
食品标签
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
支持向量机 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据快速且可靠地检测韭菜中的农药残留,对于保障食品安全和农业可持续发展至关重要。本研究以9种环保型花青素为染料、硅胶板为载体,开发了一种新型比色传感器阵列(CSA)。通过顶空固相微萃取结合气相色谱-质谱联用技术,证实了本研究中CSA的颜色变化与样品中挥发性有机化合物的酸碱度有关。将该CSA与模式识别模型相结合,实现了对韭菜中农药种类、浓度及含量的检测:卷积神经网络分类器对农药种类的分类准确率达100%,对浓度的分类准确率达75%-100%;支持向量回归模型的均方根误差为1.02-2.68 mg/kg,相关系数为0.93-0.95。该方法在常规、快速的食品安全检测中具有巨大潜力。