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
-
TTI和pH响应双比色传感器阵列结合级联深度学习方法,用于动态监测新鲜切片水果的新鲜度
查看原文2025
Food Chemistry
中科院一区JCR一区Huijie Jia, Chenlin Wu, Min Huang, Qibing Zhu & Min Zhang
食品标签
新鲜水果 货架期预测与品质劣变动力学 智能/指示型包装 显微与成像技术计算机标签
逻辑回归/贝叶斯 卷积神经网络 特征工程与选择策略 定量预测/回归分析 缺陷/异物检测与定位 可见光/RGB/视频数据动态监测新鲜切片水果的保质期面临温度波动和冷链包装失效的挑战,导致理论预测与实际变质不符。本研究开发了一种结合pH响应指示器和时温积分器(TTI)的双比色传感器阵列,以克服单参数限制。基于甲基纤维素的系统整合了(1)对CO₂敏感的pH染料(甲基红/溴甲雷硅绿),通过pH变化追踪新鲜度,以及(2)利用温度依赖的HAuCl₄-l-抗坏血酸反应产生的TTI元素,产生金纳米颗粒的颜色转变。储存过程中包装气氛的变化——如二氧化碳积累——会激活传感器。该阵列在结构和环境方面表现出强烈的稳定性。结合对象检测(YOLOv8)、特征提取(ResNet-18)和贝叶斯建模的级联深度学习框架,在预测芒果/猕猴桃保质期方面实现了93.3%的准确率——分别比独立的TTI和pH传感器提升35%和18%。该系统支持基于智能手机的实时监控和自动警报,为冷链新鲜度追踪提供了实用工具。
-
使用集成计算机视觉系统和卷积神经网络的智能手机应用程序快速无损评估汉源花椒的质量等级
查看原文2025
Food Control
中科院一区JCR一区Jinrong Bai, Yingjie Mei, Fang He, Feiwu Long, Ying Liao, Hong Gao & Yina Huang
食品标签
香精香料 颜色与外观品质 其他理化与结构表征计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集市场上特级汉源花椒(HZB)产品充斥着大量掺假商品,这一问题亟待解决。为此,本研究开发了一款集成了计算机视觉系统(CVS)与卷积神经网络(CNN)的智能手机应用程序,用于花椒的品种识别与等级评定。研究共采集了5360张单粒花椒图像,涵盖不同等级的汉源花椒及其他花椒品种,均使用智能手机拍摄,并用于训练、验证和测试两种分类模型——VGG16 和 ResNet50。结果表明,ResNet50 模型表现更优,准确率超过97%。随后,该模型结合分水岭算法(watershed algorithm),进一步实现了对花椒簇状样本的分割与分类,对特级汉源花椒的识别准确率达到97.67%。此外,上述模型被嵌入到一款智能手机应用程序中,并通过严格的缺陷率评估对该应用的有效性进行了验证。该方法提供了一种快速、无损且用户友好的解决方案,相比传统手段具有显著优势,特别适用于资源有限的场景,既可服务于专业人员,也便于普通消费者使用。
-
基于迁移学习的卷积神经网络用于区分红茶发酵度
查看原文2025
npj Science of Food
中科院一区JCR一区Xuesong Zhu, Zezhong Ding, Mei Wang, Shanjian Liu, Yulong Chen & Chunwang Dong
食品标签
茶/茶饮料 加工与新加工技术计算机标签
卷积神经网络 小样本学习 模型轻量化/边缘计算 分类/鉴别/等级评定红茶是消费最广泛的茶类之一。发酵过程对于形成红茶风味至关重要。目前,许多生产者依靠个人经验来判断发酵程度,这种方法可能存在不一致性和主观性。此外,大型模型在生产中并不实用。基于此,本文提出了一种利用迁移学习的轻量级卷积神经网络来评估红茶的发酵水平。首先,我们应用了基于模型的迁移学习策略,并进行预训练权重实验以比较和选择学生模型和教师模型。接着,我们为学生模型改进了损失函数(使用PolyLoss)和优化器(使用AdamW)。最后,我们对该学生模型进行了知识蒸馏实验。结果表明,改进后模型的准确率、精确率、召回率和F1分数分别提高了0.0415、0.0215、0.0902和0.0645。这项研究为红茶的数字化生产提供了技术辅助。
-
中华绒螯蟹(Eriocheir sinensis)肌肉中生物胺的无损检测:基于红外光谱和深度学习的质量评估依据
查看原文2025
Food Chemistry
中科院一区JCR一区Qingli Han, Jianfeng Lu, Yuan Song, Yang Wang, Lin Lin, Zhi Zheng, Shaotong Jiang, Wenhua Miao & Chenghui Wang
食品标签
甲壳类 品质、结构与理化性质 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
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 红外/拉曼光谱数据生物胺(BAs)是水产品腐败的关键指标,但传统检测方法具有破坏性且效率低下。本研究提出了一种将近红外(NIR)光谱与深度学习相结合的无损检测方法,用于预测中华绒螯蟹中的生物胺并对其质量等级进行分类。在冷藏过程中鉴定出6种生物胺,其中腐胺、尸胺、组胺和色胺通过混合卷积神经网络-长短期记忆-挤压激励(CNN-LSTM-SE)模型得到了出色的预测(R²>0.84,RMSE<2.0)。基于质量指标,蟹被分为新鲜、可接受和腐败三个等级,在8±1°C下死后储存超过24小时的蟹被认为不适合食用。CNN-LSTM-SE模型在识别腐败蟹方面达到了100%的准确率,优于卷积神经网络、长短期记忆网络和传统机器学习模型。本研究展示了近红外光谱和深度学习在评估蟹新鲜度方面的潜力,为水产品的智能监测提供了有价值的工具。
-
利用高光谱成像和一维卷积神经网络探究皮孔对苹果和梨可溶性固形物含量检测的影响
查看原文2025
Food Research International
中科院一区JCR一区Zhenjie Wang, Jie Wang, Weijie Lan, Mengyao Wang, Kang Tu, Lixia Zhu & Leiqing Pan
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
偏最小二乘法 主成分分析/判别分析 卷积神经网络 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱本研究首次探讨了皮孔对基于380-1010 nm高光谱成像(HSI)技术建立的苹果和梨可溶性固形物含量(SSC)模型预测性能的影响。采用二维相关光谱法(2D-COS)、因子判别分析(FDA)和主成分分析(PCA)分析了皮孔、果皮以及皮孔与果皮组合感兴趣区域(ROI)的光谱特性差异。分别使用偏最小二乘回归(PLSR)为每个ROI建立了SSC校准模型。此外,利用变量选择算法和一维卷积神经网络(1D-CNN)来简化和提高模型预测能力。结果表明,皮孔和果皮的光谱特性差异显著,而PCA能够突出皮孔的分布。光谱测量位置对SSC预测精度有显著影响。只有当预测集和校准集的数据来源相同时,模型才能保持稳健。具体而言,对于苹果,SPA-1D-CNN模型取得了最佳性能,其Rc2和Rp2分别为0.845和0.808。对于梨,最佳模型是CARS-1D-CNN模型,其Rc2和Rp2分别为0.887和0.762。本研究表明,皮孔对模型预测性能有显著影响,且1D-CNN可以作为传统PLSR方法的替代方案。