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 167 条结果
-
利用便携式荧光胶片传感器实时快速预测三层畜禽肉的TVB-N,以评估新鲜度
查看原文2023
Food Chemistry
中科院一区JCR一区Duoduo Zhang, Li Zhu, Qingwei Jiang, Xinyu Ge, Yu Fang, Junxia Peng & Yongfen Liu
食品标签
畜肉 禽肉 品质、结构与理化性质 常规理化指标测定计算机标签
偏最小二乘法 定量预测/回归分析传统肉类新鲜度检测方法操作繁琐且耗时较长。本研究采用荧光薄膜传感器监测−1℃、4℃、10℃和25℃条件下山羊肉与鸭肉的新鲜度,同时采用传统方法测定样品的挥发性盐基总氮(TVB-N)和生物胺(BAs)含量。对传感器响应强度(RI)与新鲜度指标进行相关性分析及偏最小二乘(PLS)回归分析。结果表明,皮下取样深度0~1 cm处山羊肉和鸭肉的传感器响应强度、挥发性盐基总氮含量及生物胺含量之间具有高度相关性;且挥发性盐基总氮偏最小二乘模型的决定系数(R²)均高于0.8,其中25℃条件下鸭肉偏最小二乘模型的决定系数(R²)达到1。本研究首次利用荧光薄膜传感器实现对畜禽肉类挥发性盐基总氮含量的精准预测,该检测方式可实时、快速检测,在今后肉类新鲜度检测生产应用中具备巨大发展潜力。
-
肉类切割行业的机器人化与智能数字系统:从机器人切割、感知与数字发展的视角
查看原文2023
Trends in Food Science & Technology
中科院一区JCR一区Weidong Xu, Yingchao He, Jiaheng Li, Jianwei Zhou, Enbo Xu, Wenjun Wang & Donghong Liu
食品标签
畜肉 禽肉 鱼肉 过程控制与数字化 其他过程控制与数字化研究计算机标签
过程控制与实时优化背景:肉类作为富含蛋白质的食物,为人类提供了必需的营养。预计未来十年肉类消费将增长15%,要求肉类产业提升其产能。然而,肉类切割行业恶劣的工作环境和长期繁重的工作量导致劳动力短缺。低利润和低产能要求创新的加工方法。因此,迫切需要一些新的自动化方法来应对这些挑战。伴随着工业4.0的发展,机器人化和智能系统逐步应用于肉类切割行业,这可以提供一种灵活、适应性强且可持续的加工方式。
范围与方法:本文采用系统性文献综述方法,筛选了50篇论文。本文概述了肉类行业在牲畜、禽类和鱼类切割机器人化方面的当前研究和商业应用。此外,强调了智能传感技术、先进切割技术以及一种称为肉类工厂单元的新型制造概念,以提升效率、可扩展性和模块化。最后,我们讨论了数字技术在肉类切割行业中的潜在应用以及旨在促进切割机器人化的未来研究重点。
主要发现与结论:通过集成灵巧的切割机器人、先进的传感技术和数字系统,肉类切割过程可以实现高度机器人化,推动从手工劳动向机器人化、高效和智能化制造的转变。因此,机器人化和智能数字系统可以为肉类切割行业提供一种全新的制造方法,并推动肉类工厂4.0的发展。 -
一种基于深度学习的猪肉偏好预测框架
查看原文2023
Current Research in Food Science
中科院一区JCR一区Eunyoung Ko, Kyungchang Jeong, Hongseok Oh, Yunhwan Park, Jungseok Choi & Euijong Lee
食品标签
畜肉 消费者偏好与接受度 其他理化与结构表征计算机标签
深度学习 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据过去几年,韩国的人均肉类消费量稳步增长,预计还将继续增加。高达69.5%的韩国人每周至少吃一次猪肉。考虑到韩国生产和进口的猪肉相关产品,韩国消费者对五花肉等高脂肪部位的偏好度很高。根据消费者需求管理国产和进口肉类的高脂肪部位已成为一个竞争因素。因此,本研究提出了一个基于深度学习的框架,利用超声波设备根据猪肉的特征信息来预测消费者对猪肉风味和外观的偏好评分。这些特征信息是通过超声波设备(AutoFom III)收集的。随后,根据测量到的信息,长期直接调查消费者对风味和外观的偏好,并使用深度学习方法进行预测。我们首次应用了基于深度神经网络的集成技术,根据测量到的猪胴体来预测消费者的偏好评分。为了证明所提框架的有效性,我们利用关于五花肉偏好的调查和数据进行了实证评估。实验结果表明,预测的偏好评分与五花肉的特征之间存在很强的相关性。
-
一种新型“一体化”多功能明胶胶膜,用于牛肉鲜度维护和监测
查看原文2023
Food Chemistry
中科院一区JCR一区Rui Li, Di Zhuang, Haoyu Feng, Shancan Wang & Jie Zhu
食品标签
畜肉 颜色与外观品质 抗氧化/抗炎等功能 包装设计与机械性能计算机标签
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据本研究将茜素(AL)与牛至精油皮克林乳液(OEOP)掺入明胶薄膜基质中,制备了一种新型多功能食品包装膜。掺入牛至精油皮克林乳液与茜素后,薄膜的紫外-可见光阻隔性能得到提升,几乎可完全阻隔紫外-可见光(400 nm波长处透光率由71.80%降至0.06%)。该薄膜的断裂伸长率为纯明胶薄膜的4.02倍,表明其力学性能得到显著改善。该薄膜在pH值3~11范围内可由黄色明显变为紫色,且能在4分钟内对氨气蒸气产生灵敏响应,这一现象源于茜素分子的去质子化作用。得益于牛至精油皮克林乳液的缓释效应,薄膜的抗氧化能力与动态抑菌性能均大幅提升。此外,该多功能包装膜可有效延缓牛肉变质速率,并通过自身颜色变化实现生鲜品质的实时可视化监测。同时,可借助智能手机应用程序,将牛肉品质的色泽变化与薄膜的RGB色彩数值建立关联。综上,本研究拓展了兼具保鲜与品质监测功能的多功能食品包装膜在食品包装行业的应用前景。
-
食品标签
畜肉 食品安全与风险评估 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 模型轻量化/边缘计算 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 超大规模/工业级数据集肉类掺假影响消费者和市场。现有的肉类认证方法通常依赖特殊设备,因此仅限于专业使用。在一些中国火锅餐厅中,出现了用鸭肉和脂肪制成的假羊肉或牛肉片。本研究提出了一种消费者可操作的方法来检测此类掺假。该方法将单张图像作为输入,并利用肉片的纹理特征进行认证。该认证快速且无损。所需设备仅为一台带摄像头的手机。为此任务构建了一个轻量级(因此高效)的卷积神经网络架构,名为MTx-Net。使用了四个块中的十四个卷积层来提取有效的视觉特征。神经网络中采用了残差、深度可分离卷积、丢弃法和批归一化等技术。为了训练和测试神经网络,使用了225公斤肉类收集了77956张肉片图像。该方法对羊肉和牛肉片认证的准确率分别达到99.38%和98.20%。