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
-
基于深度学习的方法用于猪骨骼肌肌纤维的完全自动分割和定量分析
查看原文2024
Meat Science
中科院一区JCR一区Yao Zekai, Wo Jingjie, Zheng Enqin, Yang Jie, Li Hao, Li Xinxin, Li Jianhao, Luo Yizhi, Wang Ting, Fan Zhenfei, Zhan Yuexin, Yang Yingshan, Wu Zhenfang, Yin Ling & Meng Fanming
食品标签
畜肉 质构与流变性质 微观结构与成像 显微与成像技术计算机标签
图像分割网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据肌纤维特性对猪肉品质有显著影响,其中横截面积(CSA)是与各种肉质指标(如剪切力)密切相关的关键参数。有效地识别和分割肌纤维是确定CSA的重要初始步骤。这一步骤非常复杂且耗时,需要一种准确且自动化的分析方法。现有方法的一个局限性是它们倾向于在完整健康肌纤维的高信噪比图像上表现良好,但未在具有显著形态变化(如冰晶存在)的更复杂图像数据集上进行验证。在本研究中,我们采用一种名为SOLOv2的深度学习架构,对经肌球蛋白腺苷三磷酸酶(mATPase)活性染色的肌纤维显微图像进行全自动分割。我们的目标是有效地获得肌纤维大小和分布的准确测量。在实际图像上的测试表明,我们的方法能够熟练地处理复杂的肌纤维分割任务,产生可用于统计分析的定量结果,并显示出与手动分析相当的可靠性。
-
改进的DCGAN模型:基于高光谱图像的哈密瓜农药残留识别数据增强方法
查看原文2024
Food Control
中科院一区JCR一区Haibo Tan, Yating Hu, Benxue Ma, Guowei Yu, & Yujie Li
食品标签
新鲜水果 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法计算机标签
深度学习 支持向量机 随机森林 生成对抗网络 分类/鉴别/等级评定 高光谱/多光谱光谱由于农药的不规范使用,哈密瓜农药残留问题日益引发关注,这一现象已构成潜在的食品安全隐患。因此,建立一套哈密瓜农药残留的快速无损检测方法迫在眉睫。本研究采用短波红外高光谱成像技术(SWIR-HSI)开展哈密瓜农药残留鉴别研究。针对不同农药残留类型的哈密瓜光谱数据集,提出一种基于改进型深度卷积生成对抗网络(DCGAN)的数据增强方法以扩充样本量。研究引入最近邻分类器(1-NN)对生成光谱的质量进行评估,以此确定模型的最优训练轮次。通过决策树(DT)、随机森林(RF)及支持向量机(SVM)三种常用分类器,验证了改进型 DCGAN 算法的有效性。结果表明,改进型 DCGAN 可不同程度提升三类分类器的检测性能:决策树、随机森林与支持向量机的准确率分别提升 13.13%、7.50% 和 11.25%;其中支持向量机模型的检测准确率最高,达 93.13%。上述研究结果证实,短波红外高光谱成像技术结合基于改进型深度卷积生成对抗网络的数据增强方法,在哈密瓜农药残留检测领域具有良好的应用前景。
-
基于高光谱成像与多质量指标的杏鲍菇采后贮藏期质量分级方法
查看原文2024
Food Control
中科院一区JCR一区Ziyuan Wei, Haoling Liu, Jinghua Xu, Yihang Li, Jin Hu & Shijie Tian
食品标签
新鲜蔬菜 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
支持向量机 K-近邻 主成分分析/判别分析 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 中等规模数据集杏鲍菇在贮藏过程中易发生腐败变质,其商品价值也因此受到显著影响。本研究针对杏鲍菇品质分级标准不统一、检测准确率偏低的问题,提出一种适用于杏鲍菇采后低温(4℃)贮藏期的品质分级方法。该方法基于高光谱成像技术,结合聚类算法与综合评价法,可实现杏鲍菇的快速品质分级。研究人员选取 11 项理化指标,借助 K 均值聚类算法与主成分分析法,将杏鲍菇样本划分为优质、中等、劣质三个等级,并将此聚类结果作为标签,构建品质分类模型。同时,研究对比了卷积自编码器与竞争性自适应重加权采样两种方法的特征提取能力,以及支持向量机、线性判别分析、偏最小二乘判别分析三种算法的建模效果,还利用外部数据验证了各模型的实用性。结果表明,卷积自编码器 - 支持向量机模型在杏鲍菇品质分类任务中表现最优,其分类准确率达 91.58%、F1 分数为 91.36%、精确率为 89.65%、召回率为 90.60%。综上,本研究证实了采用聚类算法开展杏鲍菇品质分级的合理性,并凸显出卷积自编码器在提升模型预测精度与泛化能力方面的显著作用。
-
利用气相色谱-质谱法表征健康和柑橘黑斑病感染的瓦伦西亚橙汁和精油中的挥发性化合物
查看原文2024
Food Chemistry: X
中科院一区JCR一区Leng Han, Guijie Li, Xuting Wang, Bo Yu, Tenghui Zhang & Yujiao Cheng
食品标签
果蔬汁/浓缩汁 香精香料 特征风味 微生物安全 光谱/色谱/质谱等分析方法 风味组学计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据柑橘黑斑病(Phyllosticta citricarpa,简称CBS)是一种重要的真菌病害,会导致柑橘果实果皮出现斑点并影响其品质。研究采用分子感官科学方法,评估了柑橘对CBS在挥发性物质方面的响应。通过气相色谱-质谱联用技术(GC-MS),分别在橙汁和精油样品中鉴定出50种和21种挥发性物质。感染CBS后,样品中的总挥发性物质含量有所增加,尤其是重度感染组(SEG)的果汁和中度感染组(MOG)的精油,其含量达到最高水平。CBS会增强柑橘汁中的花香、果香和异味,同时降低青香。感染CBS的精油中,柑橘香、花香和青香均有所增加。利用正交偏最小二乘判别分析(OPLS-DA)模型,分别在柑橘汁和精油中筛选出65种潜在标记物。柑橘的香气特征变化以及感染程度的差异均归因于这些气味物质。
-
基于大规模数据驱动的商用香蕉成熟过程均匀性分析与感官预测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Ria Kanjilal, Jorge E. Saenz & Ismail Uysal
食品标签
新鲜水果 其他品质相关性质计算机标签
智能手机/其他 定量预测/回归分析 时序传感器/物联网数据人工智能(AI)与机器学习(ML)在食品供应链中已有显著应用,尤其是在学术研究领域,主要用于保护和优化生鲜农产品质量,并实现冷链各阶段的均匀性。然而,AI/ML在实际大规模商用食品加工过程(如香蕉催熟)中的预测分析应用仍然较少。本研究提出一种新颖的数据驱动方法,并在两个新的大规模数据集上进行了测试与验证,旨在通过机器学习基于环境条件对香蕉皮色和果肉温度进行均匀性分析,从而实现冷藏海运集装箱中香蕉催熟过程的自动化与优化。结果表明,气体浓度与催熟过程均匀性之间存在高度相关性,说明通过控制CO2和O2气体浓度可以实现果实皮色和果肉温度的均匀性。此外,本研究首次实现了基于其他环境变量对氧气浓度的精确算法预测,为催熟过程中环境条件的持续、改进且更具成本效益的监测提供了替代方案。研究测试并验证了多种预测模型,其中长短期记忆回归在两个数据集上取得了最低的均方根误差(0.033和0.202)和较高的R平方值(0.999和0.959)。