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 393 条结果
-
基于深度学习的猪悬浮培养细胞成脂分化程度评估方法
查看原文2025
Food Research International
中科院一区JCR一区Liyuan Yang, Zhongyuan Wu, Haozhe Zhu, Shijie Ding & Guanghong Zhou
食品标签
细胞培养肉 组学与高通量技术 显微与成像技术 脂质与脂肪酸计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据脂肪对肉及肉制品的品质具有非常重要的作用。基于细胞培养的脂肪细胞分化是生产细胞培养肉的关键步骤,传统上依赖于通过荧光染色图像分析或分子生物学实验进行定量评估。然而,这些方法耗时、费力,且容易受到观察者主观感知的影响。因此,我们需要一种更快、更直观、更准确的评估技术。通过将高通量技术与深度学习相结合,我们分析了在猪悬浮脂肪细胞分化过程中捕获的明场图像。基于我们现有的细胞分化方案,我们快速收集了高通量明场图像,并开发了一个深度学习模型来评估这些图像中的成脂分化程度。通过单摇瓶和多摇瓶的相互验证,该模型取得了良好的结果(RMSE = 5.90,R2 = 0.8321)。它可以通过在96孔板中接种12个孔来确定样品的成脂分化程度,从而准确区分具有不同分化水平的样品。该方法使我们建立了一个整合高通量筛选和深度学习的应用,并帮助我们在快速筛选食用脂肪酸和蛋白质时,识别了花生四烯酸(100 µM)潜在的促进成脂分化能力。
-
基于根系障碍微流控芯片的植物根系物理障碍行为研究
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Huali Zhang, Xu Yan, Minghui Zhang, Yuting Zhao, Shuwen Jiang, Yuyang Jiang, Yiting Wei, Yali Zhang & Lijun Sun
食品标签
水果/蔬菜与菌菇类/植物类 其他材料 微观结构与成像 其他品质相关性质 过程监测与在线检测 显微与成像技术 数值仿真计算机标签
模拟与数字孪生 可见光/RGB/视频数据植物根系在物理障碍下的行为研究对于理解植物如何适应土壤环境变化具有重要意义。目前,尚无满意的方法来模拟土壤障碍环境并追踪根系在物理障碍下的动态变化。本研究基于根系在土壤中遇到的土壤压实和机械障碍,设计了一种具有七种不同通道的障碍微流控芯片。该芯片充分利用微流控芯片的可变结构优势,便于研究根系在各种障碍下的可塑性。结果表明,微流控系统的高分辨率成像能力能够可视化和量化植物根系在机械障碍下的生长行为。此外,为了模拟根系在土壤中遇到的生长阻力或压力,通过芯片内的流体流动对模型进行了模拟。总体而言,本研究设计的障碍微流控芯片可用于成像和量化植物根系的可塑性,是追踪根系对机械应力响应的有效工具。
-
一种由智能手机和双酶系统驱动的智能比色纸基次黄嘌呤生物传感器,用于高效监测虾的新鲜度
查看原文2025
Food Chemistry
中科院一区JCR一区Wenhui Dong, Rui Feng, Jiaqi Pang, Kaiyue Wei, Jiao Li, Jianan Sun, Sai Wang & Xiangzhao Mao
食品标签
甲壳类 品质、结构与理化性质 显微与成像技术 其他特殊成分计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据监测水产食品的新鲜度对于确保其质量和安全至关重要。次黄嘌呤(Hx)由三磷酸腺苷降解产生,是虾腐败过程中的早期指标。目前尚无基于纸基的生物传感器可通过检测次黄嘌呤来监测虾的新鲜度。本研究首次报道了一种结合智能手机和双酶系统的比色纸基生物传感器。研究制备了镍铂纳米颗粒(直径为2.45±0.52纳米)作为过氧化物酶模拟纳米酶,并将其与黄嘌呤氧化酶结合形成双酶系统,随后与壳聚糖修饰的滤纸共同制成测试条,借助智能手机进行智能分析。该传感器的线性检测范围为18.75至600微摩尔,检测限为9.67微摩尔。在实际应用中,该生物传感器具有较高的准确性、良好的抗干扰能力和经济可行性。本研究为设计用于检测虾中次黄嘌呤以及食物链中其他目标物的智能纸基生物传感器提供了参考。
-
面向食品工业有限数据场景的光谱分类算法优化:以番茄酱样品为例
查看原文2025
Food Control
中科院一区JCR一区Ander Gracia Moisés, Ignacio Vitoria Pascual, Amaia Avedillo de la Casa, María Moreno Pérez, José Javier Imas González & Carlos Ruiz-Zamarreño
食品标签
其他果蔬制品/植物类 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
生成对抗网络 定量预测/回归分析 可见光/RGB/视频数据本研究针对在数据集有限的情况下训练深度学习模型这一难题展开,该问题在医学影像和食品品质分析等领域尤为突出。为应对这一挑战,研究采用生成对抗网络(GANs)对现有数据进行增强,以提升模型性能。本文提出了一种创新方法,将半监督学习与生成建模相结合,以最大限度地利用小规模数据集构建鲁棒的模型。该方法通过反转传统的训练集与测试集划分方式,聚焦于在样本有限条件下对模型评估与泛化能力的优化。具体而言,采用Wasserstein GAN(WGAN)和半监督GAN(SGAN)生成逼真的合成样本,以扩充原始数据集,从而在数据稀缺场景下有效增强模型训练过程。该技术被应用于可见光反射光谱分析番茄酱的案例中,用于无损评估油含量、可溶性固形物(°Brix)和pH值等关键品质参数。实验结果表明,模型性能指标显著提升:油含量(%Oil)的总体准确率从0.47提高至0.66;°Brix的准确率从0.65提升至0.71;pH值的准确率则从0.43提升至0.62。这些结果充分证明,所提出的方法能够有效提升模型在小样本条件下的泛化能力和预测准确性,为数据受限场景下的光谱分析与质量评估提供了可行且高效的解决方案。
-
利用计算机视觉与深度学习技术的传送带杏仁分拣与计数
查看原文2025
Postharvest Biology and Technology
中科院一区JCR一区Hakan Aktas & Omer Karagöz
食品标签
豆类与坚果(及籽类) 颜色与外观品质 过程监测与在线检测 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 缺陷/异物检测与定位 可见光/RGB/视频数据 大规模数据集农产品(如杏仁)的分类和分选是确保质量和满足市场需求的关键环节。分选过程由配备计算机视觉技术的机器完成。然而,这些机器的输出准确率从未达到100%。从这些机器中产出的产品最终会在传送带上再次进行分选。在本研究中,深度学习和计算机视觉技术被用于在传送带上进行最终的分选和计数。为助力此项研究,我们创建了一个自行整理的数据集,该数据集包含1200张图像,分为三个不同类别:完整杏仁仁、受损杏仁仁和破碎的壳。我们使用RGB和灰度图像数据集对四种CNN架构(ResNet50、InceptionV3、VGG16和EfficientNetB3)的性能进行了评估。其中,EfficientNetB3在RGB图像上的准确率最高,达到99.44%,在灰度图像上的准确率为98.33%。使用新样本进行的现场测试验证了该模型的稳健性,在RGB图像上的准确率达到97.14%,在灰度图像上的准确率达到95.71%。这些结果表明,所提出的方法在实现传送带上杏仁分类和分选自动化方面具有潜力,并且凭借其计数功能可以计算分选机的运行准确率。