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
-
基于高光谱成像与深度学习的南丰蜜桔品质定性与定量分析
查看原文2025
Food Control
中科院一区JCR一区Jing Zhang, Hailiang Zhang, Yizhi Zhang, Jiuhong Yin, Baishao Zhan, Xuemei Liu & Wei Luo
食品标签
新鲜水果 颜色与外观品质 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
卷积神经网络 偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集水果已成为人们日常生活中不可或缺的食品,其外部缺陷和内部品质均受到销售者与消费者的高度重视。本研究结合高光谱成像技术与深度学习方法,对南丰蜜桔的外部缺陷及可溶性固形物含量(SSC)进行快速、无损检测。实验采集了具有四类缺陷(炭疽病、黑斑病、腐烂和疤痕)以及完好无损的南丰蜜桔样本在380–1030 nm波段范围内的高光谱数据。首先,提出了一种用于定性分析的端到端卷积神经网络(CNN)模型,并将其分类性能与传统分类模型进行了对比。研究中应用了三种预处理方法和三种特征选择技术。结果表明,基于竞争性自适应重加权采样(CARS)特征选择的CNN模型在缺陷识别任务中取得了最高的总体准确率,达到97.27%。此外,以150个完好南丰蜜桔为对象,分别基于全光谱和特征波长构建了偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)和CNN三种定量预测模型用于SSC预测。其中,CNN模型表现最优,其预测决定系数(R²)、预测均方根误差(RMSEP)和残差预测偏差(RPD)分别为0.9290、0.3772和3.7655。综上所述,本研究证实了高光谱成像结合深度学习在南丰蜜桔外部缺陷识别与SSC预测中的可行性,为其他水果内外品质的综合评估提供了一种新方法。
-
基于频率学习网络荟萃分析与共深度点定位识别筛选并验证火龙果高效保鲜方法:1-甲基环丙烯、香芹酚与赤霉酸
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Geng Liu, Jieyu Li, Xiaoyu Hong, Ziqin Bai, Qing Tan, Chenlan Li, Qiqiao Pan, Hui Luo & Wei Xue
食品标签
新鲜水果 保藏与贮藏 其他品质相关性质计算机标签
其他深度学习结构 卷积神经网络 分类/鉴别/等级评定本研究验证了荟萃分析结合共深度点定位识别在筛选植物保鲜方法及创新联合使用保鲜策略方面的可行性,指出了偏差产生的原因,优化了网络荟萃分析的计算方法,并探究了在两种方法结合下筛选出的联合处理在实际应用中的有效性。研究采用贝叶斯随机效应模型结合频率学习网络(FLN)的荟萃分析,比较了28种不同干预措施对火龙果的保鲜效果,并针对火龙果贮藏期间的单一品质指标筛选出最佳干预措施。我们将比较后权重最高的两种处理相结合,通过实验以及经共深度点定位识别验证后发现,1-甲基环丙烯(1-MCP)+香芹酚(CVR)联合赤霉素(GA3)浸泡处理在抑制火龙果采后腐烂和保持贮藏期间品质方面,比单独使用1-MCP+CVR处理或单独采用GA3浸泡处理的效果更好。
-
基于直径和SSC特征的苹果霉心病在线检测
查看原文2025
Food Control
中科院一区JCR一区Zhanling Hu, Yuge Pu, Wei Wu, Liulei Pan, Yanqing Yang & Juan Zhao
食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据霉心病是苹果中一种常见的内部病害。目前基于可见光/近红外(Vis/NIR)光谱的检测方法常因果实直径和可溶性固形物含量(SSC)的差异而出现准确性不足的问题。为解决这一问题,本研究开发了一套在线检测系统,该系统在光谱分析中同时整合了针对果实直径和SSC信息的校正策略。具体而言,首先基于果实直径,采用双曲正弦函数对原始光谱进行初步校正;随后,利用变分模态分解(VMD)算法提取SSC相关的光谱特征,对光谱进行第二次校正。这一两步校正流程有效削弱了果实直径和SSC变化对光谱数据的干扰。在此基础上,利用校正后的光谱与霉心病标签构建了偏最小二乘判别分析(PLS-DA)模型。与未经校正的模型相比,改进后的模型在准确率、召回率和精确率方面均显著提升,分别达到94.44%、92.59%和96.15%。此外,在独立样本上的在线验证中,该系统实现了88.33%的检测准确率,充分体现了其在苹果霉心病在线检测中的稳定性与鲁棒性。
-
高光谱成像结合通用混合深度网络用于跨品种猕猴桃早期冷害识别
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Sunli Cong, Jun Sun, Le Shi, Chunxia Dai, Xiaohong Wu, Bing Zhang & Kunshan Yao
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
卷积神经网络 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/多光谱光谱构建准确的模型对于将高光谱成像(HSI)应用于识别水果等农产品的早期病害至关重要。冷害是猕猴桃的一种生理病害,在其发展到严重阶段之前,用肉眼很难识别。然而,不同品种的水果具有不同的理化性质和光谱特征,这导致为一个品种建立的模型无法应用于另一个品种,而重新构建模型则需要大量的时间和精力。鉴于此,本研究探讨了应用高光谱成像跨品种识别猕猴桃早期冷害的可行性。研究开发了一种通用的CNN-DotGRU-SelfAttention混合深度网络(CDGSA-Net),用于特征提取、特征多样性捕捉和特征增强,以建立具有高准确性和泛化能力的识别模型。最后,提出采用鹈鹕优化算法(POA)来优化CDGSA-Net的超参数,以提高效率。POA-CDGSA-Net模型的性能优于其他机器学习(ML)和深度学习(DL)模型,在测试集上的准确率(acc)、精确率(prec)、召回率(rec)、特异度(spec)和F1值分别达到99.17%、99.17%、99.26%、99.79%和99.20%。因此,高光谱成像结合POA-CDGSA-Net为跨品种识别猕猴桃早期冷害提供了一种可行的方法。
-
贮藏期“布瑞本”苹果果心褐变和果实硬度的预测:多变量时间序列分类
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Lukas Munser, Roy McCormick, Grigory Devadze, Nils Siefen, Stefan Streif & Konni Biegert
食品标签
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 K-近邻 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据 大规模数据集采后生理性病害影响许多商品化苹果品种,导致经济损失并增加食物浪费。通常,针对诸如‘Braeburn’内部褐变(尤其是德国西南部最为普遍的核心褐变)等病害的可靠预测方法尚不存在。对病因的理解仍然不足,但症状发展在不同果园间差异显著。本研究描述了一种结合建模与机器学习的方法,将采前环境、果树和管理因素与采后贮藏结果相关联,以预测内部褐变和果实硬度。研究于2016年至2023年七个生长季期间,从位于德国西南部果园的‘Braeburn’苹果上收集了非破坏性光谱时间序列数据。这些数据被用作参考测量值,构建了一个基于天气的模型,以生成采前生长和发育期间四种果实品质参数(叶绿素、花青素、可溶性固形物和干物质含量)变化的多元时间序列。随后,该多元时间序列被用作基于动态时间规整(DTW)的k近邻(kNN)分类器的输入。数据集包含1729个对象,该分类器分别针对内部褐变和硬度显示出可靠且良好的交叉验证预测结果。经过DTW和降维映射后,二维聚类分析显示每个生长季在多维空间中清晰分离。然而,单季学习无法推广到其他季节。褐变簇间的多维距离与采前50天内光谱扫描数据的平均变化率相关。高褐变的果批显示出更高的平均累积变化。