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 2456 条结果
-
基于改进计算流体动力学与纹理数据机器学习的鱼糜3D打印挤出行为分析与可打印性快速预测
查看原文2024
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Jieling Chen, Yaqiu Kong & Qilin Huang
食品标签
鱼肉 3D 打印与结构构筑 数值仿真计算机标签
偏最小二乘法 定量预测/回归分析本研究旨在开发一种改进的计算流体动力学模型,用于精确分析鱼糜的挤出行为,并建立一种基于机器学习的方法来快速预测鱼糜的可打印性。本研究采用二维旋转轴对称模型替代三维/四维物理模型,从而提高了模拟效率。为提高CFD模拟的准确性,将教科书中所假设的壁面“无滑移”边界条件替换为壁面滑移边界条件。这将模拟结果与实测结果之间的误差降低至1%以下,并由此计算出可打印性所需的挤出压力低于17,034 Pa。通过改进的CFD模型,CFD计算效率较以往报道提高了33倍,并且可在10秒内获得所需挤出压力的模拟结果。此外,提出了一种基于纹理数据的机器学习方法(偏最小二乘回归模型),用于快速预测鱼糜的可打印性所需挤出压力。该机器学习模型表现出良好的性能,R2 > 0.95。
-
智能技术在茶产业中的兴起
查看原文2024
Trends in Food Science & Technology
中科院一区JCR一区Yang Wei, Yongqi Wen, Xiaolin Huang, Peihua Ma, Li Wang, Yi Pan, Yangjun Lv, Hongxin Wang, Liang Zhang, Kunbo Wang, Xiufang Yang & Xinlin Wei
食品标签
茶/茶饮料 品质、结构与理化性质 食品安全与风险评估 过程控制与数字化计算机标签
机器学习/统计学习 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 红外/拉曼光谱数据 时序传感器/物联网数据背景:茶是一种全球重要的农产品,以其经济和文化价值而闻名。茶叶的种植和生产过程涉及茶园管理、病虫害控制、采摘、加工、分选以及安全与质量评估。茶叶质量受品种、环境、采摘和加工等诸多因素影响。然而,茶叶质量评估通常依赖人工经验和专业知识,这伴随着主观性和不一致性。此外,茶叶生产过程还面临病虫害预测与检测、供应链监控和可追溯性等若干挑战。
范围与方法:本综述介绍了应用于茶产业的智能技术,包括计算机视觉、机器学习、光谱技术、人工传感器、大数据、物联网和区块链。我们总结了智能技术在茶产业中的应用进展,分析了现有挑战和不足,并提出了未来的研究趋势。该综述有望为智能技术在茶产业中的应用提供新的见解,以构建透明、可追溯、可持续的茶产业链。
主要发现与结论:智能技术在茶产业中具有广阔的应用前景,可提升产品质量、效率、透明度和可追溯性。特别是,智能技术的结合可能会带来更好的性能。开放数据集对于存储海量信息是必要的。智能技术的标准化为可持续茶产业的发展奠定了坚实基础。此外,向便携式设备转型是响应茶叶市场需求的最主要方向。 -
基于模糊逻辑的番茄质量评估与提升:精准农业的成熟视角
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区M. Cano-Lara & H. Rostro-Gonzalez
食品标签
新鲜蔬菜 颜色与外观品质 其他品质相关性质 显微与成像技术计算机标签
智能手机/其他 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 中等规模数据集本研究对利用模糊逻辑进行番茄质量评估与提升进行了细致探索,重点关注牛排番茄、罗马番茄和樱桃番茄品种。该研究采用了涵盖形状、大小、纹理和颜色分析的多变量方法。利用受控成像系统,在不同成熟阶段采集了165个番茄的图像,以确保光照、相机位置和背景颜色的一致性。应用图像处理和计算机视觉技术,包括分割和特征提取,以全面评估番茄。质量评估涉及考虑果皮着色的三个阶段、缺陷数量以及使用熵统计方法计算的果皮纹理。决策过程和质量评估由Mamdani型模糊推理系统辅助,利用尺寸、花萼形状、成熟阶段和缺陷区域等外部特征的数值。基于模糊逻辑的系统采用了22条模糊规则和三种不同的隶属函数(梯形、高斯形和三角形),能够对输入变量中类别之间的过渡进行细致映射。此外,系统使用采集图像中的80%和20%分别进行了严格的训练和验证。通过该系统,我们能够识别并分割出表现出不良状况的番茄区域。这种方法超越了通常依赖颜色评估或破坏性硬度评估的果实成熟度估计传统方法。
-
基于脂肪酸组成和高光谱图像的机器学习鉴别食用植物油
查看原文2024
Current Research in Food Science
中科院一区JCR一区Jeongin Hwang, Kyeong-Ok Choi, Sungmin Jeong & Suyong Lee
食品标签
植物油 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
随机森林 K-近邻 梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱将高光谱成像分析与机器学习相结合,用于识别八种食用植物油,并将其分类性能与基于脂肪酸组成的化学方法进行了比较。此外,还利用机器学习驱动的高光谱方法对植物油中的掺假程度进行了定量研究。饱和度高的棕榈油的高光谱吸收光谱与其他液态油的光谱明显不同。亚麻籽油和橄榄油分别在1170/1671纳米和1212/1415纳米处表现出显著的高光谱强度。线性判别分析表明,两个线性判别式可以解释总变异性的很大一部分,分别占96.0%(脂肪酸组成)和98.9%(高光谱图像)。当将高光谱结果用作三种机器学习模型(决策树、随机森林和k近邻)的数据集时,发现了几例对葡萄籽油和葵花籽油分类错误的情况,而橄榄油、棕榈油和亚麻籽油则被成功识别。机器学习模型从植物油的高光谱图像中展现出了超过98.9%的优异分类性能,这在识别食用植物油方面可与基于脂肪酸组成的化学方法相媲美。此外,随机森林模型在确定二元混合油的掺假水平方面最为有效(R²>0.992,均方根误差<2.75)。
-
基于人工神经网络应用的麻花中丙烯酰胺含量预测
查看原文2024
Food Chemistry: X
中科院一区JCR一区Xinyu Wu, Haiyang Yan, Yue Cao & Yuan Yuan
食品标签
小麦 油炸食品 传统热加工 颜色与外观品质 加工污染物 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 质构/流变/感官数据丙烯酰胺是在食品热加工过程中,由还原糖与天冬酰胺反应形成的。像液相色谱-质谱联用(LC-MS)、高效液相色谱(HPLC)等检测方法既耗时又昂贵,这促使我们采用基于遗传算法的反向传播人工神经网络(BP-ANN)来建立麻花中丙烯酰胺的预测模型。我们测定了 frying时间和温度对丙烯酰胺含量的影响,以及在不同时间和温度下的色差与酸价。研究发现,丙烯酰胺含量与温度呈极显著相关(P < 0.01),与酸价和色差呈显著相关(P < 0.05)。因此,我们将温度、酸价和色差设为输入层,丙烯酰胺含量设为输出层,构建了BP-ANN网络预测模型。通过多种群遗传算法对BP-ANN网络预测模型中的权重和阈值进行优化,并设置测试数据以获得优化后的BP神经网络预测模型。结果表明,隐藏层神经元为5个、学习率为0.005的BP-ANN模型,采用Levenberg-Marquardt反向传播训练算法时预测性能最佳,其测试集和验证集的相关系数(R)分别为0.9640和0.8999,表明该模型拟合度良好,逼近能力较强。该BP-ANN模型有望准确预测麻花中的丙烯酰胺含量。