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
-
利用可见光-近红外高光谱成像技术早期检测、分类和预测草莓损伤
查看原文2025
Food Control
中科院一区JCR一区K.S. Shanthini, Jobin Francis, Sudhish N. George, Sony George & Binu M. Devassy
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 高光谱/多光谱光谱草莓最常见的损伤类型是碰伤(bruising)。然而,在损伤初期,大多数碰伤在果实表面几乎难以察觉,仅凭肉眼很难准确识别。本研究提出了一种基于反射式成像光谱技术的方法,用于精准检测并分类此类损伤。为开展研究,实验设计了人工诱导碰伤的方案,并在不同碰伤时间间隔下构建了一个数据集。研究采用多种机器学习分类器——包括支持向量机(SVM)、k近邻(KNN)、线性判别分析(LDA)、随机森林(RF)和决策树(DT)——构建模型,以检测和分类处于潜伏阶段的碰伤,并探究碰伤发生后随时间推移对检测性能的影响。同时,还建立了回归模型用于预测碰伤发生的时间,所用方法包括偏最小二乘回归(PLSR)、RF、梯度提升(GB)、支持向量回归(SVR)和DT。在所有对比模型中,SVM 和 LDA 的分类准确率均高达 99.99%。综合考虑检测与预测任务的性能,随机森林(RF)被认为是最优选择:其在碰伤时间预测任务中取得了均方误差(MSE)为 0.052、决定系数(R²)为 0.989 的优异表现。
-
基于视觉触觉影像与SwishFormer的水果硬度与成熟度稳健识别方法
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Mashood M. Mohsan, Basma B. Hasanen, Taimur Hassan, Muhayy Ud Din, Naoufel Werghi, Lakmal Seneviratne & Irfan Hussain
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
其他深度学习结构 随机森林 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据对水果成熟度的准确评估是农业领域的一项关键任务,它会影响水果的品质、货架期以及消费者满意度。传统的水果成熟度评估方法依赖于人工的主观判断和侵入性采样技术,这些方法既不可行又耗时。本文提出了一种新的方法,利用视觉触觉扫描中编码的水果触诊运动来评估水果的硬度和成熟度。此外,这些触觉扫描会被输入到所提出的SwishFormer模型中,该模型与随机森林头部相结合,用于预测水果的硬度,而预测出的硬度随后会被用于对水果的成熟阶段进行分类。与现有的最先进模型不同,SwishFormer包含hardswish激活函数作为令牌混合器,这使其能够从候选触觉扫描中生成独特的特征集。这些丰富的特征表示随后会被输入到随机森林回归器中,以稳健地估计水果的硬度值,而估计出的硬度值接着会被用于准确预测水果的成熟度等级。除此之外,在包含触诊视觉触觉扫描的所提出数据集上,对SwishFormer进行了广泛评估,结果显示,在均方误差(MSE)、均方根误差(RMSE)、决定系数(R²)和平均绝对误差(MAE)评分方面,它的性能分别比最先进的研究高出4.77%、4.09%、13.69%和4.65%,同时其参数数量少2.02倍,GMACs少2.09倍。此外,通过使用Stretch机器人进行的真实世界实验,对所提出系统的成熟度识别性能进行了全面测试,结果显示,该系统对未成熟、成熟和过熟牛油果的识别成功率分别达到96.6%、98.3%和93.3%。据我们所知,本文首次提出了一种利用现成的基于视觉的触觉信息来评估水果硬度和成熟度的非破坏性方法。此外,本文所提出的数据集和源代码可在https://mashood3624.github.io/SwishFormer/获取。
-
新型pH敏感有机配体基发光MOFs修饰CMC-Na/SA薄膜用于水果新鲜度实时监测
查看原文2025
Food Packaging and Shelf Life
中科院一区JCR一区Zhepeng Zhang, Chen Wang, Heera Jayan, Mingjie Gao, Hesham R. El-Seedi, Xiaobo Zou & Zhiming Guo
食品标签
新鲜水果 生物基/可降解材料 探针与分析传感材料 货架期预测与品质劣变动力学 智能/指示型包装 包装系统中的监测与标签应用 理化与结构表征 常规理化指标测定 其他理化与结构表征计算机标签
智能手机/其他智能包装薄膜已被应用于食品新鲜度监测。然而,该技术方案存在诸多局限,包括包装材料综合性能受限、视觉响应准确度不足,进一步制约了其规模化推广应用。本文采用溶剂热法合成纳米金属有机框架(MOFs),表征分析其结构与形貌特征,并探究其光学性能。选用铕基金属有机框架作为荧光背景信号,将氨基、羟基功能化改性的铕基金属有机框架用作pH响应信号。随后,将金属有机框架纳米材料负载于羧甲基纤维素钠与海藻酸钠复合基质中,制备出二氧化碳响应型智能包装薄膜。将发光型金属有机框架复合到薄膜基质后,赋予了薄膜诸多优异性能,具备良好的疏水防水性、力学性能增强、热稳定性提升等优势。尤为突出的是,该金属有机框架复合薄膜具备更优异的紫外-可见光阻隔性能、指示剂抗迁移能力以及出色的时间-温度稳定性。最后,借助智能手机应用建立了显著的线性相关关系(决定系数分别为0.9829、0.9865),分别表征4℃贮藏条件下水仙芒果鲜切果的金属有机框架薄膜SRGB色彩值与理化指标(硬度、可溶性固形物含量)之间的关联。综上,基于智能手机的数字化传感平台为鲜切水果新鲜度的现场快速定量检测开辟了全新路径,对提升智能包装领域的检测精准度与便捷性具有重要研究价值。
-
基于荧光高光谱成像与深度学习的碰伤柑橘分类方法
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Ahyeong Lee, Insuck Baek, Jinse Kim, Suk-Ju Hong & Moon S. Kim
食品标签
新鲜水果 颜色与外观品质 显微与成像技术计算机标签
偏最小二乘法 支持向量机 梯度提升决策树 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱柑橘类水果在全球范围内被广泛消费,这类水果的擦伤会显著影响其品质,进而影响消费者的购买决策。在采后操作中检测此类损伤至关重要。然而,擦伤区域与正常区域相比,没有明显的颜色差异,这使得视觉检测变得复杂且耗时。因此,本研究探讨了荧光高光谱成像技术在识别擦伤柑橘方面的潜力。在一对365纳米紫外灯的照射下获取高光谱图像。研究采用了三种多元数据分析方法——决策树、支持向量机和偏最小二乘判别分析,以及三种深度学习模型——ResNet50、EfficientNetB0和MobileNet,对擦伤柑橘进行分类。在模型开发之前,进行了预处理步骤,包括暗校正和白校正、光谱预处理以及感兴趣区域(ROI)提取。通过模型训练确定分类准确率。在这些模型中,使用九幅主成分图像的ResNet50表现出较高的分类准确率:训练组为99.65%,验证组为100%,测试组为100%。GradCAM可视化进一步证实了在擦伤区域成功形成了热图。因此,利用荧光高光谱成像和深度学习对擦伤柑橘进行分类是可行的,这为自动化分选技术奠定了基础。
-
数字冷链:基于传感器与AI的产品质量预测
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Rania Elashmawy, Moshe Doron, Ria Kanjilal, Jeffrey K. Brecht & Ismail Uysal
食品标签
新鲜水果 货架期预测与品质劣变动力学 颜色与外观品质 其他品质相关性质 过程监测与在线检测计算机标签
支持向量机 随机森林 定量预测/回归分析随着传感器和物联网设备的广泛应用,利用数据驱动的计算模型在云端构建物理对象的数字孪生已变得愈发可行;例如,通过初始质量、温度和运输时长,可以精准预测草莓在分销过程中不断下降的适销性、颜色、含糖量及硬度。本文提出了一种基于传感器驱动的人工智能/机器学习算法,利用简单数据即可为“数字草莓”建立可靠的质量表征:其中支持向量回归对适销性和甜度比的预测误差分别为 4.21% 和 15.56%,而决策树回归对颜色和硬度的预测误差则低至 1.95% 和 4.12%。该研究证明,通过构建准确的数字冷链,物流体系可以从传统的“先进先出”(FIFO)转变为更科学的“先到期先出”(FEFO),从而有效减少损耗并实现智慧分销。