01 / 01

类目筛选(食品学者)

清除筛选
  • 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)

清除筛选
  • 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)

清除全部筛选
暂无筛选

标签记录(计算机学者)

卷积神经网络

共 291 条结果

  • 一种基于机器学习的图形特征图开发方法及其在枇杷汁分类中的应用

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Qingyue Zhang, Yixiao Wang, Jing Hu, Xiyue Zhang, Jun He, Xiaoting Xuan, Lufang Shi & Yong Sun

    食品标签

    果蔬饮料 光谱/色谱/质谱等分析方法

    计算机标签

    卷积神经网络 模型可解释性 分类/鉴别/等级评定

    本研究介绍了一种利用加权人工神经网络(w-ANNs)开发图形特征图的新方法,并展示了其通过基于TensorFlow(TF)实现的卷积神经网络(CNN)在枇杷汁品种(即白沙枇杷汁和红沙枇杷汁)分类中的应用。在特征图生成阶段,顶空气相色谱-离子迁移谱(HS-GC-IMS)分析识别出两组不同的关键化合物,每组包含7种对白沙枇杷汁和红沙枇杷汁具有高响应性的特定化学物质。SHapley可加性解释(SHAP)分析进一步揭示了最具影响力的分子特征描述符(MFDs),其中Kappa2、Gasteiger电荷和LogP是白沙枇杷汁的前三名MFDs,而Kappa2、Kappa3和Fraction_SP3则是红沙枇杷汁最重要的MFDs。随后构建了图形特征图。此外,通过从PubChem检索结构相似的化合物,开发了一个全面的枇杷化学库。性能评估表明,该方法的有效性取决于具体情境,并且在不同的应用场景中可能会有所差异。

  • 利用拉曼光谱结合深度学习模型,定量测定棕榈油在热氧化过程中的酸价

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Shuxin Liang, Guoqing Chen, Chaoqun Ma, Chun Zhu, Lei Li, Hui Gao & Taiqun Yang

    食品标签

    植物油 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法

    计算机标签

    卷积神经网络 循环神经网络 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据

    精准监测酸值(AV)对食用油质量控制至关重要,但传统化学计量学方法在处理复杂光谱数据时往往存在局限性。本研究将拉曼光谱技术与卷积神经网络(CNN)、长短期记忆网络(LSTM)、Transformer等深度学习模型相结合,探究其在棕榈油热氧化过程中提升酸值定量检测精度与效率的应用潜力。研究结果表明,三种深度学习模型的预测精度均优于传统化学计量学方法;其中CNN-LSTM模型表现最优,预测决定系数(Rp²)达0.9978,预测均方误差(RMSEP)为0.0015,剩余预测偏差(RPD)为21.21。该方法验证了拉曼光谱结合深度学习技术用于酸值精准监测的有效性,后续可通过更多种类指标数据集进一步验证其适用性,也为食用油质量管控提供了全新的技术参考。

  • 利用近红外光谱成像仪快速非接触式识别可食用昆虫中的豆粉:以白星花金龟幼虫粉为例的研究

    2025
    Food Control
    中科院一区
    JCR一区
    查看原文

    Reza Adhitama Putra Hernanda, Juntae Kim, Mohammad Akbar Faqeerzada, Hanim Zuhrotul Amanah, Byoung-Kwan Cho, Moon S. Kim, Insuck Baek & Hoonsoo Lee

    食品标签

    昆虫蛋白 其他安全问题 光谱/色谱/质谱等分析方法 蛋白质与氨基酸

    计算机标签

    偏最小二乘法 智能手机/其他 卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据

    可食用昆虫作为高蛋白的新型食品,具有重要价值。目前虽未报道过可食用昆虫的掺假案例,但其作为高价值产品在供应链中存在潜在风险。本研究证明了近红外高光谱成像(NIR-HSI,范围1000-2100 nm)用于快速、无损识别白星花金龟幼虫(PBS)粉末中豆粉掺假的可行性。研究采用了三种不同的豆粉检测方法:扩展的主成分分析(PCA)、数据驱动的软独立建模类比(DD-SIMCA)以及回归算法,即偏最小二乘回归(PLSR)和一维卷积神经网络(1D-CNN)。研究表明,用于识别豆粉像素的扩展PCA效果较差(R² = 0.835,RMSE = 12.39%)。采用DD-SIMCA则达到了100%的准确率,显示了单类别分类方法的优越性能。在回归方法中,结合Savitzky-Golay一阶导数光谱的1D-CNN获得了最佳的预测精度(Rp² = 0.99,RMSEP = 1.15%,RPD = 12.92)。此外,由1D-CNN生成的化学图像清晰地可视化了掺假的PBS。最终,结合1D-CNN模型优化的NIR-HSI技术,有望成为一种用于无损识别PBS粉末中豆粉的有前景的技术。

  • 利用计算机视觉与深度学习技术的传送带杏仁分拣与计数

    2025
    Postharvest Biology and Technology
    中科院一区
    JCR一区
    查看原文

    Hakan Aktas & Omer Karagöz

    食品标签

    豆类与坚果(及籽类) 颜色与外观品质 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 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 大规模数据集

    农产品(如杏仁)的分类和分选是确保质量和满足市场需求的关键环节。分选过程由配备计算机视觉技术的机器完成。然而,这些机器的输出准确率从未达到100%。从这些机器中产出的产品最终会在传送带上再次进行分选。在本研究中,深度学习和计算机视觉技术被用于在传送带上进行最终的分选和计数。为助力此项研究,我们创建了一个自行整理的数据集,该数据集包含1200张图像,分为三个不同类别:完整杏仁仁、受损杏仁仁和破碎的壳。我们使用RGB和灰度图像数据集对四种CNN架构(ResNet50、InceptionV3、VGG16和EfficientNetB3)的性能进行了评估。其中,EfficientNetB3在RGB图像上的准确率最高,达到99.44%,在灰度图像上的准确率为98.33%。使用新样本进行的现场测试验证了该模型的稳健性,在RGB图像上的准确率达到97.14%,在灰度图像上的准确率达到95.71%。这些结果表明,所提出的方法在实现传送带上杏仁分类和分选自动化方面具有潜力,并且凭借其计数功能可以计算分选机的运行准确率。

  • 挖掘鹰嘴豆粉的潜力:基于人工智能的质量评估与成分表征预测

    2025
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    Ali Zia, Muhammad Husnain, Sally Buck, Jonathan Richetti, Elizabeth Hulm, Jean-Philippe Ral, Vivien Rolland & Xavier Sirault

    食品标签

    豆类与坚果(及籽类) 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他理化与结构表征

    计算机标签

    偏最小二乘法 卷积神经网络 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据

    对可持续、有营养且环保的食物来源的需求日益增长,这使得鹰嘴豆粉成为全球向植物性饮食转变过程中的重要组成部分。然而,鹰嘴豆粉成分存在固有的变异性,这种变异性受遗传多样性、环境条件和加工技术的影响,给标准化和质量控制带来了重大挑战。本研究探索将深度学习模型与近红外(NIR)光谱技术相结合,以提高鹰嘴豆粉质量评估的准确性和效率。该研究使用包含136个鹰嘴豆品种的数据集,比较了几种最先进的深度学习模型的性能,包括卷积神经网络(CNNs)、视觉Transformer(ViTs)和图卷积网络(GCNs),并将效果最佳的CNN模型与传统的偏最小二乘回归(PLSR)方法进行了对比。结果表明,基于CNN的模型性能优于PLSR,在蛋白质含量、淀粉、可溶性糖、不溶性纤维、总脂质和水分含量等关键质量属性上能提供更准确的预测。这项研究强调了人工智能增强的近红外光谱技术在食品工业中革新质量评估的潜力,它为鹰嘴豆粉分析提供了一种非破坏性、快速且可靠的方法。尽管有限的数据集带来了挑战,但深度学习模型所展现出的能力表明,进一步的发展将使其具备工业适用性。本研究为人工智能驱动的质量控制在食品生产中的更广泛应用铺平了道路,有助于开发出更稳定、高质量的植物性食品。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号