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
-
基于微波自由空间与有限元方法的苹果水心病直径无关检测
查看原文2025
Food Research International
中科院一区JCR一区Mengke Cao, Youhua Bu, Chengxu Gong, Yijie Li, Jiao Guo & Wenchuan Guo
食品标签
新鲜水果 品质、结构与理化性质 统计建模与仿真计算机标签
支持向量机 智能手机/其他 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 中等规模数据集水心病是影响苹果品质的一种生理紊乱。本研究提出一种结合微波自由空间与有限元模拟的新方法,用于检测不同直径苹果的水心病。首先,收集了509个直径在69至100毫米之间的‘富士’苹果的传输系数(S12、S21)与水心病程度。随后,基于有限元法构建了天线-苹果耦合仿真模型,获取果肉横截面的电场强度,并建立了直径与传输系数之间的拟合方程,用于将传输系数校正至同一直径尺度。最后,分别基于原始光谱与校正后光谱建立了决策树(DT)、支持向量机(SVM)、人工神经网络(ANN)和一维卷积神经网络(1D-CNN)的水心病程度分类模型。实验结果证明在大多数频率下,传输系数与苹果直径及水心病程度呈负相关。仿真结果表明,在七个等间距对数频率下,传输系数随直径的变化遵循正弦三角函数关系。使用校正后光谱建立的模型比原始光谱具有更高的准确率。基于校正后S21光谱构建的ANN模型准确率最高,训练集、预测集和验证集分别达到99.02%、97.12%和91.19%,验证集中正常、轻度、中度和重度水心病苹果的识别准确率分别为88.89%、92.59%、88.89%和100%。本研究表明,无论苹果直径如何,均可通过微波自由空间、有限元模拟及适当算法实现苹果水心病程度的检测。
-
基于SIRI技术结合纹理特征LS-SVM与ResNet-18 CNN模型的梨不同碰伤程度与形成时间的检测
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Jiangbo Li, Junyi Zhang, Mengwen Mei, Zhihua Diao, Xuetong Li, Ruiyao Shi & Zhonglei Cai
食品标签
新鲜水果 其他品质相关性质 显微与成像技术计算机标签
支持向量机 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/视频数据碰伤会对水果的外观和感官品质产生负面影响,削弱其商业价值。碰伤水果的光学无损检测是一个重要的研究课题。然而,碰伤的程度和形成时间对检测精度有显著影响,这对准确检测碰伤水果提出了挑战。本研究尝试使用结构光反射成像(SIRI)技术来检测具有不同碰伤程度和形成时间的梨。收集了具有三种碰伤程度(S1、S2和S3)和五种碰伤形成时间(0、6、24、48和72小时)的梨的结构光图像。使用不同的输入图像(DC、AC、RT、DC-AC和DC-AC-RT)建立了两种机器学习模型,包括基于纹理特征的最小二乘支持向量机(LS-SVM)和基于ResNet-18的卷积神经网络(CNN)。研究表明,AC和RT图像具有深度分辨能力,结合两种模型对24小时内的梨碰伤检测取得了良好效果,显示了SIRI技术对于早期碰伤的强大检测能力。与LS-SVM模型相比,基于ResNet-18的CNN模型获得了更好的检测性能,且其检测精度未受碰伤程度和形成时间的显著影响。对于所有样本,基于ResNet-18的CNN模型结合AC和RT图像,分别实现了92.5%和94.3%的整体检测准确率。本研究为准确识别具有不同碰伤程度和时间的梨提供了一种有价值的解决方案。
-
原位自清洗PAN/Cu2O@Ag/Au@Ag柔性SERS传感器结合化学计量学,用于定量检测苹果上的thiram残留
查看原文2025
Food Chemistry
中科院一区JCR一区Yuxia Zheng, Limei Yin, Heera Jayan, Shuiquan Jiang, Hesharn R. El-Seedi, Xiaobo Zou & Zhiming Guo
食品标签
新鲜水果 化学污染物 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 定量预测/回归分析 红外/拉曼光谱数据柔性表面增强拉曼散射(SERS)传感器为食品安全现场快速监测提供了极具前景的解决方案。本研究研制了一种自清洁柔性SERS传感器,可对苹果表面的福美双进行快速、原位、无损检测。研究采用卷积神经网络(CNN)和相干反斯托克斯拉曼散射-偏最小二乘(CARS-PLS)算法对福美双含量进行定量预测。其中卷积神经网络(CNN)算法性能更优,相关系数达0.9963,检出限为0.020毫克/升。该柔性SERS传感器可至少重复使用5次,福美双检测回收率在88.32%~111.80%之间。这款结合深度学习算法的自清洁柔性传感器,在食品安全监测领域展现出广阔的应用潜力。
-
果皮对柚子可溶性固形物在线可见光-近红外光谱检测的影响及化学计量学分析
查看原文2025
Food Control
中科院一区JCR一区Chen Wang, Xuan Luo, Zhiming Guo, Aichen Wang, Ruiyun Zhou & Jianrong Cai
食品标签
新鲜水果 质构与流变性质 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 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据可见-近红外光谱(Vis-NIR)技术在柚子这类体积大、果皮厚的水果内部品质检测中的应用仍面临挑战。考虑到柚子果皮在其整体质量中占比较大,且在工业加工中具有较高的附加价值,一种在不影响食用的前提下、于去皮后进行分级的采后处理模式,可能有助于避免果皮对可溶性固形物含量(SSC)评估造成的不利影响。本研究首次系统比较了Vis-NIR光谱技术对带皮与去皮柚子SSC在线检测性能的差异。为此,我们开发了一套适用于柚子的在线光谱采集系统,并分析了完整柚子与去皮柚子的光谱特征差异。随后,通过多种光谱预处理方法和波长选择策略,逐步优化并对比了校准模型的性能。此外,还引入卷积神经网络(CNN)以探索其在特征提取方面的潜力。结果表明:结合标准正态变量变换(SNV)、二阶去趋势(second-order detrending)以及可变窗口大小的移动平滑算法,基于去皮柚子光谱构建的偏最小二乘回归(PLSR)模型取得了最优预测效果。具体而言,该模型的预测决定系数(Rp²)达到0.88,预测均方根误差(RMSEP)为0.294%,残差预测偏差(RPD)为2.57。本研究证实,果皮对SSC预测性能具有显著负面影响,而去皮后检测可显著提升模型精度;同时,CNN可作为传统PLSR方法的有效替代方案。该工作为具有复杂组织结构的农产品内部品质评估开辟了新路径。
-
利用近红外光谱和高光谱成像,结合多任务深度学习和仪器迁移学习,同时检测柑橘内部品质属性
查看原文2025
Food Chemistry
中科院一区JCR一区Cheng Li, Chen Jin, Yuanning Zhai, Yuanyuan Pu, Hengnian Qi & Chu Zhang
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 碳水化合物与糖类计算机标签
卷积神经网络 迁移学习/领域自适应 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据利用高光谱成像(HSI)和近红外(NIR)光谱同时确定柑橘水果的多重品质属性,并成功在不同仪器间转移模型,是两大主要挑战。本研究采用HSI系统和便携式NIR光谱仪,测定两种柑橘品种(曲州蓬干和湘西长野)的可溶固体含量(SSC)和pH值。开发了单任务和多任务卷积神经网络(CNN)模型用于柑橘质量检测。探讨了将单任务和多任务模型从HSI转移到近红外的可行性。对于这两种柑橘品种,SSC和pH的最优模型相关系数分别超过0.8和0.9。本研究展示了多任务学习和工具迁移学习在柑橘质量检测中的潜在应用,有助于HSI和NIR在实际获取优质柑橘及其他水果方面的应用。