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 130 条结果
-
基于近红外高光谱成像与化学计量学的单个黑水虻幼虫蛋白质含量测定
查看原文2023
Food Control
中科院一区JCR一区J.P. Cruz-Tirado, José Manuel Amigo, & Douglas Fernandes Barbin
食品标签
昆虫蛋白 品质、结构与理化性质 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 支持向量机 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱为满足人口增长带来的蛋白质需求,替代蛋白产业迅速兴起,进而推动了食用昆虫市场的发展。黑水虻(Hermetia illucens L.)幼虫因富含脂肪、蛋白质及矿物质,在全球范围内被广泛研究,目前其主要用途为动物饲料。传统化学分析法用于测定黑水虻幼虫的营养成分时,存在耗时费力的弊端。本研究基于近红外高光谱成像技术(NIR-HSI),结合偏最小二乘回归(PLSR)与支持向量机回归(SVMR)算法,构建了可实现单头完整黑水虻幼虫总蛋白含量快速预测的模型。为提升回归模型性能,研究引入区间偏最小二乘法(iPLS)与遗传算法(GA)开展特征变量筛选。此外,通过主成分分析(PCA)对黑水虻幼虫的高光谱图像进行解析,结果直观呈现出幼虫体内不同化学成分的分布特征。PLSR 与 SVMR 模型的预测均方根误差(RMSEP)介于1.57%~1.66%,残差预测值(RPD)为2.0~2.5,表明模型对蛋白含量区间为 25.5%~43.5% 的样品具备良好的近似预测能力。基于绝对误差的对比结果显示,采用 iPLS 筛选的特征变量所构建的回归模型,性能优于 GA 筛选变量构建的模型。化学成像图谱清晰展现了单头幼虫及幼虫群体中蛋白质的非均一分布特征。本研究证实,近红外高光谱成像技术结合化学计量学方法,可作为一种快速筛查手段,实现单头黑水虻幼虫蛋白质含量的高效测定。
-
使用便携式近红外光谱仪与化学计量学预测黑水虻幼虫粉中的蛋白质与脂质含量
查看原文2023
Food Control
中科院一区JCR一区J.P. Cruz-Tirado, Matheus Silva dos Santos Vieira, José Manuel Amigo, Raúl Siche, & Douglas Fernandes Barbin
食品标签
昆虫蛋白 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 主成分分析/判别分析 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据黑水虻幼虫可将废弃物转化为优质蛋白质与脂质,契合循环经济发展要求。鉴于黑水虻幼虫从孵化至成熟阶段的生长周期较短(14 天~2 个月),昆虫养殖产业亟需建立高效快速的检测分析方法。本研究评估了两台便携式近红外光谱仪(光谱仪 1:900~1700 nm;光谱仪 2:1350~2562 nm)的检测性能,并结合偏最小二乘回归法(PLSR)与支持向量机回归法(SVMR),构建黑水虻幼虫粉中蛋白质与脂质含量(%)的预测模型。研究首先采用主成分分析(PCA)对光谱数据集进行降维与特征探索。模型性能结果显示,在蛋白质含量预测方面,基于两台光谱仪数据建立的 PLSR 模型与 SVMR 模型表现相近,残差预测值(RPD)均大于 2.5,预测均方根误差(RMSEP)均为 1.9%;而在脂质含量预测中,SVMR 模型的性能优于 PLSR 模型,其预测均方根误差为 3.51%,残差预测值达 4.32。此外,工作波段范围更宽的光谱仪 2,整体检测性能优于光谱仪 1。研究进一步引入变量筛选步骤,通过区间偏最小二乘法(iPLS)与遗传算法(GA)优化 PLSR 模型,显著提升了模型预测精度。综上,便携式近红外光谱仪结合化学计量学方法,可为昆虫养殖产业提供高效快速的检测分析技术支撑。
-
基于深度学习框架识别猪肉松结构的品质特征
查看原文2023
Current Research in Food Science
中科院一区JCR一区Che Shen, Meiqi Ding, Xinnan Wu, Guanhua Cai, Yun Cai, Shengmei Gai, Bo Wang & Dengyong Liu
食品标签
畜肉 品质、结构与理化性质 显微与成像技术计算机标签
图像分割网络 特征工程与选择策略 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 大规模数据集猪肉松是一种历史悠久的中国传统食品。如今,猪肉松作为一种休闲食品为消费者所熟知。它以猪肉为原料,通过独特工艺制作而成,在这个过程中,肌肉纤维会变成片状或颗粒状并相互缠绕。本研究提出了一种基于深度学习的方法来检测猪肉松的结构质量特征。说明实验所用的猪肉松均为市场上广泛认可的品牌,且不使用缩写。研究共收集了8种市售猪肉松的8000张图像,并对其进行了锐化、图像灰度化、实时阴影校正和二值化处理。在机器学习模型学习了猪肉松的特征后,使用人工掩码对图像进行标注。采用基于残差增强掩码与区域卷积神经网络(CRE-MRCNN)耦合的深度学习框架对图像进行分割。结果表明,CRE-MRCNN能够识别不同品牌猪肉松的结团特征和孔隙特征,从而对其质量进行评估。基于感官测试和机器视觉的模型综合结果显示,TC品牌的猪肉松质量最佳,其次是YJJ、DD和HQ。这也体现了机器视觉在帮助人们识别猪肉松结构质量特征方面的潜力。
-
基于近红外光谱和化学计量学识别苦荞粉中掺杂的普通荞麦
查看原文2023
Current Research in Food Science
中科院一区JCR一区Yinghui Chai, Yue Yu, Hui Zhu, Zhanming Li, Hao Dong & Hongshun Yang
食品标签
杂粮 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据近红外光谱(NIRS)因其具有无损、操作简便等优点,在食品掺假鉴别方面展现出巨大潜力。本文提出了一种基于近红外光谱和化学计量学的方法,用于预测苦荞(Fagopyrum tataricum (L.) Gaertn)粉中普通荞麦(Fagopyrum esculentum Moench)粉的含量。采用偏最小二乘回归(PLSR)和支持向量回归(SVR)模型对掺假样品的光谱数据进行分析,并预测掺假水平。运用多种预处理方法、参数优化方法和竞争性自适应重加权采样(CARS)波长选择方法来优化模型的预测精度。偏最小二乘回归和支持向量回归模型在预测苦荞掺假含量方面的结果令人满意,最优鉴别模型的相关系数均在0.99以上。综上所述,近红外光谱与化学计量学相结合的方法在分析苦荞粉中普通荞麦粉的掺假情况时,表现出优异的预测性能和适用性。本研究为苦荞粉的掺假鉴别提供了一种有前景的方法,所得结果可为农产品的掺假鉴别提供理论和数据支持。
-
利用卷积神经网络通过显微图像早期检测面包霉菌
查看原文2023
Current Research in Food Science
中科院一区JCR一区Panisa Treepong & Nawanol Theera-Ampornpunt
食品标签
面包 微生物安全 显微与成像技术计算机标签
卷积神经网络 迁移学习/领域自适应 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据面包上的霉菌在生长初期很难用肉眼辨别。消费者依靠视觉检查和保质期来检测面包变质,这些方法并不精确。现有的微生物污染检测方法,如显微镜检查和高光谱成像,并不适合消费者使用。本文提出了一种新的面包霉菌早期检测方法,即通过夹式镜头拍摄显微图像。这些低成本镜头与智能手机配合使用,可拍摄50倍放大倍数的面包图像。利用最先进的卷积神经网络(CNN)结合迁移学习,对显微图像进行自动分类。我们广泛比较了图像预处理方法、CNN模型和数据增强方法,以确定在分类 accuracy 方面最佳的配置。表现最佳的模型达到了近乎完美的。