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
-
基于相似性评估模型的人类乳磷脂成分与结构及其自然资源的比较研究
查看原文2024
Food Chemistry
中科院一区JCR一区Huiquan Zhu, Marie-Laure Fauconnier, Hong Zhang, Xuebing Xu, Xiaodan Wang, Yumeng Zhang, Ruihua Guo, Wenyuan Zhang, Shuwen Zhang, Yunna Wang, Xiaoyang Pang, & Jiaping Lv
食品标签
乳及乳制品 营养与生物功能 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据人乳磷脂(HMPLs)在婴儿的神经发育和成长过程中起着不可或缺的作用。在本研究中,从人乳以及其他天然磷脂来源(包括 5 种动物来源和 2 种植物来源)中检测到了总共 37 种磷脂脂肪酸(PLFA)种类和 139 种磷脂分子种类。此外,还建立了一个针对 HMPLs 的相似性评估模型,包括磷脂类别、PLFA 和磷脂分子种类,以评估其天然替代品。在这些三个维度中,HMPL 替代品的最接近得分分别为 0.89、0.72 和 0.77,分别对应马乳、山羊乳和骆驼乳。综合相似性得分最高的是骆驼乳,为 0.75,而最低得分出现在大豆磷脂上(0.22)。因此,这些结果不仅监测了 HMPLs 及其替代品的立体化学结构,而且还为婴儿配方的开发提供了新的见解。
-
基于高光谱成像与多任务深度学习回归方法的菠菜叶片色素同步检测与品质检验
查看原文2024
Food Chemistry: X
中科院一区JCR一区Mengyu He, Chen Jin, Cheng Li, Zeyi Cai, Dongdong Peng, Xiang Huang, Jun Wang, Yuanning Zhai, Hengnian Qi & Chu Zhang
食品标签
新鲜蔬菜 货架期预测与品质劣变动力学 常规理化指标测定 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
偏最小二乘法 智能手机/其他 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱快速且准确地测定色素含量对于菠菜叶片储存期间的质量检测至关重要。本研究旨在利用两个光谱范围(可见/近红外,VNIR:400–1000纳米;近红外,NIR:900–1700纳米)的高光谱成像技术,同时测定在不同储存时长和条件(未包装和包装)下菠菜中的色素(叶绿素a、叶绿素b、总叶绿素和类胡萝卜素)含量。研究采用偏最小二乘(PLS)、反向传播神经网络(BPNN)和卷积神经网络(CNN)建立单任务和多任务回归模型。单任务CNN(STCNN)模型和多任务CNN(MTCNN)模型的性能优于其他模型。使用VNIR光谱的模型优于使用NIR光谱的模型。总体结果表明,结合多任务学习的高光谱成像技术能够同时预测菠菜的质量属性,可用于不同储存条件下的菠菜质量检测。本研究将通过同时检测多种质量属性,为食品质量检测提供指导。
-
基于长短期记忆网络的冷藏洋葱品质变化时序预测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Sang-Yeon Kim, Seongmin Park, Suk-Ju Hong, Eungchan Kim, Nandita Irsaulul Nurhisma, Jongmin Park & Ghiseok Kim
食品标签
新鲜蔬菜 冷藏与冷冻保藏 其他品质相关性质 其他理化与结构表征计算机标签
智能手机/其他 循环神经网络 定量预测/回归分析 时序传感器/物联网数据本研究提出了一种基于循环神经网络(RNN)的模型,用于预测洋葱在长期低温储存过程中的物理品质变化。与以往主要使用特定时间点的简单回归方程的研究不同,该模型利用基于时间序列的储存环境历史数据。该模型设计为仅使用易于获取的实时环境信息和储存时间作为输入,从而提高了实用性。为了开发模型,洋葱在受控条件下储存,通过定期采样和破坏性测试积累品质因素数据。数据预处理解决了环境噪声和时间分辨率问题,并且考虑到与环境因素和品质因素的相互关系,选择生物屈服强度作为预测目标。为了进行比较,提出了四种基于RNN的模型(堆叠RNN、堆叠长短期记忆(LSTM)、残差LSTM、基准LSTM)以及传统的多元线性回归(MLR)模型。鉴于农产品品质预测领域经过预先验证的模型较少,本研究采用网格搜索来探索各种模型结构和参数组合。基于优化后的组合对模型重新训练后,使用相同的独立测试数据对其性能进行了比较。残差LSTM模型在归一化测试均方根误差(RMSE)上得分为0.0532,表现最佳,能够预测未来336小时的情况。基准LSTM模型能够预测未来504小时的情况,RMSE为0.0601。相比之下,MLR模型表现出完全过拟合,测试RMSE为0.2814,这表明利用储存历史数据进行品质预测是不合适的。本研究验证了循环神经网络在农产品储存和流通领域的潜力,并期望所开发的模型能成为未来采后加工研究的基础技术。
-
基于计算机视觉和深度学习的秋月梨缺陷检测方法
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Baoya Wang, Jin Hua, Lianming Xia, Fangyuan Lu, Xia Sun, Yemin Guo & Dianbin Su
食品标签
新鲜水果 颜色与外观品质 显微与成像技术计算机标签
目标检测网络 缺陷/异物检测与定位 可见光/RGB/视频数据为了快速且准确地检测秋月梨(Pyrus pyrifolia Nakai)采后的缺陷,本研究旨在开发一种基于计算机视觉和深度学习模型的秋月梨缺陷检测方法。该方法主要包括利用图像采集系统获取高质量图像,以及提出一种新的YOLO-AP检测模型来识别秋月梨的缺陷。该模型以YOLOv5为主要架构,通过将Ghost模块中的标准卷积替换为动态卷积得到GhostDynamicConv(GDC)模块;将Neck部分C3中的Bottleneck模块替换为GDC模块,得到C3-GhostDynamicConv(C3-GDC)模块,在简化网络的同时提高了模型的精度。同时,在C3-GDC之后引入瓶颈注意力模块(BAM),以优化中间特征。此外,将原始的边界框损失函数替换为Wise-IoUV3(WIoUV3),以加快模型收敛。结果表明,YOLO-AP在秋月梨缺陷检测中表现更优,其mAP@0.5为0.939,召回率为0.921,检测速度为454.5 fps(每张图像2.2毫秒)。这些数值相较于基准模型分别提升了4.2%、3.5%和1.4%。将YOLO-AP与更新后的YOLOv9及其他检测模型进行比较,YOLO-AP的精度更高、速度更快。这些研究结果表明,所提出的方法能够实时、高效且准确地检测秋月梨的缺陷,为采后缺陷检测提供了技术支持。
-
解开欧洲茶园的元素特征:对茶叶可追溯性的启示
查看原文2024
Food Chemistry
中科院一区JCR一区Federico Girolametti, Anna Annibaldi, Silvia Illuminati, Elisabetta Damiani, Patricia Carloni, Behixhe Ajdini, Matteo Fanelli, & Cristina Truzzi
食品标签
茶/茶饮料 传统统计分析与回归 矿物质与微量元素计算机标签
机器学习/统计学习 主成分分析/判别分析 分类/鉴别/等级评定本研究全面分析了多个欧洲花园中茶叶的元素特征,重点关注关键及潜在有毒微量元素在茶园加工和选址过程中的生物积累。样本采集自欧洲多个花园,包括葡萄牙、亚速尔群岛、德国、荷兰和瑞士。对新鲜茶叶、干叶以及用于制作绿茶和红茶的叶片进行了元素分析,同时还采集了茶树根区的土壤样本。结果显示,茶叶加工过程中元素含量没有显著差异。然而,在不同欧洲地区花园中种植的茶叶中观察到了明显的元素特征。利用化学计量和机器学习工具,研究强调了这些元素谱在提升茶叶产品可追溯性的潜力。