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
-
基于非靶向HPLC-UV-FLD指纹图谱和化学计量学对不同地理来源刺梨的分类
查看原文2024
Food Control
中科院一区JCR一区Xiao-Dong Sun, Min Zhang, Shuo Zhang, Yi-Xuan Chen, Jun-Hua Chen, Peng-Jiao Wang, & Xiu-Li Gao
食品标签
新鲜水果 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定本研究首次提出一种基于高效液相色谱 - 紫外检测(HPLC-UV)与高效液相色谱 - 荧光检测(HPLC-FLD)技术的新型非靶向分析策略,用于鉴别中国贵州省 8 个产地的刺梨样本。研究借助 HPLC-UV-FLD 联用仪,同步采集样品的 HPLC-UV 与 HPLC-FLD 指纹图谱;随后对指纹图谱数据依次进行低层数据融合与变量降维处理,再开展化学计量学分析。基于所得指纹图谱的信号类型与数据维度差异,本研究设计并对比了四种刺梨产地分类策略。在前三种策略中,研究人员分别以三类一维指纹图谱(HPLC-UV、HPLC-FLD 及 HPLC-UV-FLD 融合图谱)为数据基础,采用偏最小二乘判别分析(PLS-DA)、主成分分析 - 线性判别分析(PCA-LDA)及随机森林(RF)三种有监督分类方法构建判别模型。此外,研究还以 HPLC-FLD 获取的二维指纹图谱为依据,建立了多维偏最小二乘判别分析(NPLS-DA)模型。对比结果显示,基于 HPLC-UV-FLD 一维融合指纹图谱的 PLS-DA 模型表现最优,其交互验证正确率、训练集正确率及测试集正确率分别达 98.8%、100% 和 96.9%。本研究首次将非靶向色谱指纹图谱技术应用于刺梨产地分类问题,为该果实的产地溯源提供了新的技术路径。
-
利用空间频率域成像技术实现苹果光学属性映射与早期碰伤识别
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Zengrong Yang, Mei Li, Jiachuang Zhang, Junhui Li & Longlian Zhao
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
支持向量机 K-近邻 梯度提升决策树 主成分分析/判别分析 缺陷/异物检测与定位 可见光/RGB/视频数据 红外/拉曼光谱数据苹果碰伤是一种常见缺陷,会降低水果的经济价值。因此,一种有效的碰伤检测方法至关重要。近红外和高光谱成像等无损检测方法通常利用组织的吸收特性,即使水果组织是高度散射介质,也将散射视为噪声。本研究创建了一种空间频率域成像系统,通过聚焦于散射特性来识别苹果早期碰伤。使用本文提出的新反演方法确定了碰伤和非碰伤苹果组织的光学参数。对比分析表明,交流分量在检测早期碰伤方面比直流分量更有效。结构光图像中交流分量与直流分量的比值有助于识别碰伤。使用差分高斯图像和霍夫圆检测来识别可疑点,这些点对应于潜在的碰伤位置。随后提取子图像,并使用分类算法评估这些子图像内是否存在碰伤。决策树、线性判别分析、K近邻和支持向量机的分类准确率分别为94.56%、98.12%、97.75%和99.81%。最终,支持向量机结合定位算法对苹果的分类准确率达到98.78%,并准确定位了所有碰伤位置。结果表明,所提出的方法实现了显著的检测精度,为苹果碰伤检测提供了一种新途径。
-
基于可见-近红外高光谱显微成像与卷积神经网络的库尔勒香梨交链孢菌病害微结构及理化特性评估
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Sicong You, Yiting Li, Jin Song, Xiaobo Yu, Kang Tu, Weijie Lan & Leiqing Pan
食品标签
新鲜水果 其他品质相关性质 微生物安全 显微与成像技术计算机标签
偏最小二乘法 支持向量机 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/多光谱光谱本研究探究了将高光谱显微镜成像(HMI)技术与先进的化学计量学方法相结合,用于评估由链格孢菌引起的‘库尔勒’香梨病害的细胞壁微观结构和理化性质的可能性。在病原菌感染过程中,梨的可溶性固形物(SSC)、硬度和L值等理化特性不断下降,细胞壁微观结构也会遭到破坏。对不同感染阶段梨组织的高光谱显微镜成像数据进行主成分分析,能够清晰地可视化色素、碳水化合物的分布以及薄壁细胞的结构变化。此外,研究还采用偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)和卷积神经网络(CNN)模型,结合选定的光谱变量和高光谱显微镜成像特征,对患病的‘库尔勒’香梨进行识别。基于融合数据的CNN模型在区分健康梨和患病梨方面表现最佳,准确率达到96.72%;在识别贮藏1天后病斑直径为1.56毫米的梨时,也取得了94.74%的令人满意的判别准确率。本研究表明,高光谱显微镜成像结合卷积神经网络在检测梨早期感染方面具有巨大潜力,并为监测果实品质和安全性提供了一种可行的方法。
-
基于品种与成熟度的双路径轻量级卷积神经网络用于橄榄果实自动分选
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Seyed Iman Saedi, Mehdi Rezaei & Hossein Khosravi
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 分类/鉴别/等级评定 可见光/RGB/视频数据在橄榄产业中,识别橄榄品种和成熟度阶段至关重要,因为这些特征对橄榄制品和榨出的橄榄油的营养及感官特性有着显著影响。为此,本研究提出了一种新型的自动计算机视觉系统,该系统应用最先进的深度学习技术,对扎尔德(Zard)和罗加尼(Roghani)这两个伊朗橄榄品种在五个成熟度阶段的果实进行分拣和分类,共形成十个不同的类别。该模型通过评估多种用户自定义结构和标准结构开发而成,基于双路径轻量级卷积神经网络,同时使用常规卷积算子和扩张卷积算子。扩张卷积通过提供更大的感受野,用于提取更多信息并捕捉不同特征。与标准架构相比,该模型的可训练参数数量显著减少,其轻量级特性提升了在移动应用中快速响应的潜力。为提高模型性能,研究在开发的模型上测试了四种优化器(RMSProp、SGD、Adam和Nadam),其中Nadam的准确率最高。所提出的模型总分类准确率达到95.79%,损失值为0.2214。该模型对某些类别实现了完全准确的分类,所有类别的分类指标均较高:精确率在88%至100%之间,召回率在83%至100%之间,F1分数在86%至100%之间。罗加尼品种类别的分类准确率为98.28%,扎尔德品种类别的分类准确率为97.76%。研究发现,所提出的模型能够有效地整合到橄榄分拣系统中,有助于识别不同品种和不同成熟度的橄榄,从而促进采后产品的生产和橄榄油的优质化。
-
一种通过整合卷积神经网络和双向长短期记忆网络来检测果蔬新鲜度的创新方法
查看原文2024
Current Research in Food Science
中科院一区JCR一区Yue Yuan, Jichi Chen, Kemal Polat & Adi Alhudhaif
食品标签
新鲜水果 新鲜蔬菜 品质、结构与理化性质 显微与成像技术计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据果蔬新鲜度检测能够提高农产品管理效率,减少资源浪费和经济损失,并且在提升果蔬类农产品附加值方面发挥着至关重要的作用。目前,果蔬新鲜度的检测主要依靠人工提取特征结合机器学习的方法。然而,人工提取特征存在适应性差的问题,导致果蔬新鲜度检测效率低下。尽管已有一些研究引入深度学习方法来自动学习表征果蔬新鲜度的深层特征,以应对复杂场景中的多样性和可变性,但这些研究在果蔬新鲜度检测上的性能仍有待进一步提升。基于此,本文提出了一种新颖的方法,通过融合不同的深度学习模型来提取果蔬图像的特征以及图像中各区域之间的相关性,从而更客观、准确地检测果蔬新鲜度。首先,调整数据集中图像的尺寸,以满足深度学习模型的输入要求。然后,通过融合的深度学习模型提取表征果蔬新鲜度的深层特征。最后,根据融合深度学习模型的检测性能对融合模型的参数进行优化,并对果蔬新鲜度检测性能进行评估。实验结果表明,融合卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的CNN_BiLSTM深度学习模型,结合参数优化处理后,在果蔬新鲜度检测中达到了97.76%的准确率。研究结果显示,该方法有望提升果蔬新鲜度检测的性能。