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
-
利用RGB成像与机器学习在整个货架期内确定青椒新鲜度水平
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Danial Fatchurrahman, Maulidia Hilaili, Nurwahyuningsih, Lucia Russo, Mahirah Binti Jahari & Ayoub Fathi-Najafabadi
食品标签
新鲜蔬菜 其他品质相关性质 显微与成像技术计算机标签
支持向量机 随机森林 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据本研究探讨了青椒在储藏期间作为新鲜度指标的感官品质、重量损失和质地变化。评估了在+5°C和95%相对湿度条件下,利用机器学习方法监测商业品种‘Kyohikari’在16天储藏期内新鲜度变化的可行性。在整个储藏期间,对青椒进行储藏,并使用数码单反相机采集RGB图像。在不同时间间隔进行了感官评价、质地、重量损失、叶绿素和类胡萝卜素的测量。采用多种机器学习方法——包括逻辑回归、神经网络、随机森林、K近邻和支持向量机——来建立青椒在储藏第0、4、6、8、10、12、14和16天的新鲜度分类和预测模型。结果表明,色调角和叶绿素含量在整个实验期间未发生变化。然而,储藏10天后,观察到3%的重量损失,并伴有异味和异味的出现,标志着可销售性的极限。这些模型在分类和预测青椒储藏当天新鲜度方面表现出极高的准确性,其中神经网络算法达到了100%的准确率。
-
基于4-MPBA Au@AgNPs的比色传感器,用于准确识别恩氏玉鲁茶品级
查看原文2024
Food Chemistry
中科院一区JCR一区Yuting Guan, Siyu Wang, Guanghua Lei, Zikang Hu, Hengye Chen, Huiwen Gu, Xiaoli Yin, Yuanbin She, Wanjun Long, & Haiyan Fu
食品标签
茶/茶饮料 品质、结构与理化性质 传统统计分析与回归 其他植物化学物质计算机标签
偏最小二乘法 分类/鉴别/等级评定 可见光/RGB/视频数据恩石玉鲁绿茶(ESYL)是湖北恩石最具代表性的传统蒸绿茶。不同的ESYL等级展现出不同的风味、味道和价格。本研究开发了基于4-MPBA的视觉传感器Au@AgNPs,用于快速准确识别ESYL等级。识别机制涉及将4-MPBA Au@AgNPs与多酚化合物结合于ESYL中形成硼酸酯,并将Ag转化为Ag。+0,生成的Ag为0沉积在4-MPBA Au@AgNPs表面。结果显示,该传感器可以放大不同级别的ESYL色差。视觉结果还通过偏最小二乘判别分析模型验证,显示识别准确率从68.2%提升至95.5%。本研究开发的比色传感器有望为其他食品的可追溯性研究提供一种新方法。
-
基于多源特征稳定学习的‘秋月’梨木栓斑病快速识别方法
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Jianghui Xiong, Shangfeng Gu, Yuan Rao, Li Liu, Xiaodan Zhang, Yuting Wu & Xiu Jin
食品标签
新鲜水果 其他品质相关性质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
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 可见光/RGB/视频数据 红外/拉曼光谱数据 多模态/融合数据‘秋月’梨作为优质果品,其质量分级分选是供应链的关键环节。同时,木栓斑病作为一种影响梨果实健康发育的常见生理性问题,需要快速而准确的识别。为了进一步提升‘秋月’梨木栓斑病的识别精度,本研究在融合近红外光谱与可见光图像的基础上,提出了一种基于神经架构搜索与样本重加权技术的多源特征稳定学习(MFSL)方法。该方法通过对多源融合模型进行二次重加权优化训练,使其能够充分学习与标签相关的特征,从而提升泛化能力。实验结果表明,最优建模性能下,多源融合特征的准确率相较于单一光谱提升了26.89%,相较于单一图像提升了11.19%。经过优化训练后,模型的测试准确率提升了1.31%,达到89.47%,F1分数提升了1.47%,达到89.83%。结果验证了该方法在提升模型泛化性能方面的有效性。本研究提出的针对‘秋月’梨木栓斑病精确识别的MFSL方法,显著提高了多源融合模型在病症识别方面的准确率。研究成果对于梨果品质量的高效分级分选具有重要的参考价值。
-
基于高光谱成像与波长选择的深度学习对李子皮下碰伤检测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区S. Castillo-Girones, R. Van Belleghem, N. Wouters, S. Munera, J. Blasco & W. Saeys
食品标签
新鲜水果 颜色与外观品质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱李子无论是新鲜的还是加工过的,都被广泛消费。在收获、处理或运输过程中,李子会受到静态和动态压缩力,这些力超过了导致组织损伤的临界应力。随着果实成熟和软化,与压缩相关的损伤通常会进一步发展,这会促使腐烂发生,可能在供应链中造成重大损失。及早检测这些损伤对于挑出受损果实并将其转向加工环节至关重要,从而防止食物浪费。然而,李子早期的瘀伤或损伤并不明显,尤其是深色果皮的品种。因此,本研究旨在探索430至1000纳米范围内的高光谱成像和深度学习算法在早期检测这些隐形瘀伤方面的潜力。为此,对“Presenta”李子进行了三个不同程度的撞击处理,以模拟不同程度的损伤。在瘀伤发生后立即以及瘀伤诱导后24小时和48小时,对有瘀伤和无瘀伤的李子都进行了图像拍摄。研究训练了三个不同的卷积神经网络(CNN)来分析这些图像。其中两个网络采用迁移学习实现(ResNet和HSCNN),第三个则是为此特定目的定制设计的。通过主成分分析(PCA)确定了最具信息价值的波长,将其作为卷积神经网络的输入。在所有情况下,F1分数均超过81%,在对受到0.50焦耳最高撞击能量的瘀伤李子进行分类时,准确率几乎达到100%。因此,仅使用三个波长来检测和分类瘀伤李子是可行的,这为包装厂使用多光谱相机进行在线分拣铺平了道路。
-
增强基于光谱的水果质量控制:一种减少模型不确定性的知识引导机器学习方法
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Jie Yang, Zhizhong Sun, Shijie Tian, Hao Jiang, Jintao Feng, K.C. Ting, Tao Lin & Yibin Ying
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 其他理化与结构表征计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据基于光谱的技术在水果质量控制应用中取得了显著进步,但遇到了由生物变异性引起的高模型不确定性的挑战。光谱测量方向或位置的微小变化会显著改变水果质量的模型预测,这严重影响了在线水果分级系统的可靠性。本研究评估了深度学习模型中不同结构设计的影响,并开发了一种知识引导的卷积神经网络(KGCNN)来缓解由不同方向引起的预测不确定性。引入了一种结合分组输入策略来量化模型不确定性的新型损失准则,从而实现知识引导方法的实施。实验在基于现场分级系统收集的用于可溶性固形物含量评估的柑橘和瓦伦西亚橙数据集上进行。与CNN和PLS模型在五次随机方向检测上的结果相比,所提出的KGCNN模型平均预测方差分别降低了27.1%和25.5%,表明模型不确定性得到了显著缓解。该策略在已开发模型的框架内运行,无需调整结构超参数,且对测试精度影响较小,表现为在两个数据集上平均RMSE增加了1.7%,R2降低了0.2%。进一步采用隐藏特征可视化技术来解释KGCNN降低模型不确定性的工作机制。可视化证据支持了知识引导方法在减轻来自多个方向收集的输入数据的学习特征分布内的非线性散射方面的有效性,这归因于所引入损失准则的约束效应。这项研究有望缓解现场分级系统中对水果装载或测量位置的严格要求,并提高深度学习模型在实际应用中的可靠性。