类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 236 条结果
-
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。
-
基于¹H NMR光谱和随机森林的苹果地理来源、品种及生产方法鉴别
查看原文
2024
Food Control
中科院一区JCR一区
Soeren Wenck, René Bachmann, Sarah-Marie Barmbold, Anna Lena Horns, Nele Paasch & Stephan Seifert
食品标签
新鲜水果 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 中等规模数据集在购买苹果时，消费者关注多个重要特征，包括分类学品种（影响期望的风味和致敏性），以及日益受到重视的是否为本地种植和有机栽培。本研究利用¹H核磁共振（NMR）波谱技术对217份苹果样品进行了分析，旨在验证苹果在以下四个方面的真伪：原产国、德国境内的本地来源、分类学品种以及是否为有机生产。所构建的随机森林模型在不同分类任务中表现出良好的性能：在区分七个分类学品种时准确率约为73%，而在区分德国产与非德国产样品时准确率高达88.5%。研究结果表明，¹H NMR波谱技术在苹果的综合溯源与真实性鉴别方面具有广阔前景。该方法通过根据具体鉴别目标选择NMR“指纹”图谱中的不同区域实现高精度分类，这一点也通过变量选择方法的应用及所选变量的对比分析得到了进一步验证。
-
基于知识引导的温度校正在线无损检测梨可溶性固形物含量的可见/近红外光谱研究
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Zhizhong Sun, Jie Yang, Dong Hu, Hao Tian, Yibin Ying & Lijuan Xie
食品标签
新鲜水果 其他品质相关性质 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据环境和仪器因素会导致样品温度发生变化，这可能会影响使用在线可见/近红外（Vis/NIR）光谱法预测新鲜水果可溶性固形物含量（SSC）的模型的预测性能，而可溶性固形物含量是影响水果价格的一个重要质量指标。本研究提出了一种基于一维卷积神经网络（1D-CNN）的知识引导（KG）温度校正方法，以减少样品温度对可溶性固形物含量预测模型的影响。首先，开发了一个一维卷积神经网络用于从光谱中预测温度，并使用梯度加权类激活映射来识别与温度相关的特征。这些对温度变化敏感的特征被用于抑制温度敏感波段，从而生成受温度影响较小的新光谱。随后，利用这些新光谱构建偏最小二乘（PLS）模型来预测可溶性固形物含量。为了验证所提方法的有效性，在可溶性固形物含量预测性能方面，将其与外部参数正交化方法（EPO）、竞争性自适应重加权采样（CARS）和连续投影算法（SPA）进行了比较。结果表明，虽然知识引导偏最小二乘（KG-PLS）方法并没有提升局部模型在局部（特定温度）测试集上的性能，但能够改善其在外部（除特定温度外的其他温度）测试集上的性能。使用知识引导偏最小二乘方法的15°C局部模型对可溶性固形物含量的交叉验证均方根误差（RMSECV）为0.415%，分别比偏最小二乘（0.611%）、竞争性自适应重加权采样-偏最小二乘（0.581%）、连续投影算法-偏最小二乘（0.584%）和外部参数正交化-偏最小二乘（0.480%）方法得到的交叉验证均方根误差低0.196%、0.166%、0.169%和0.065%。总体而言，所提出的知识引导方法能够有效减轻温度干扰对光谱建模的影响，为水果品质的高精度在线无损分选提供了参考。
-
基于鲸鱼优化算法和多任务卷积神经网络的近红外光谱多品种梨品质性状预测
查看原文
2024
Postharvest Biology and Technology
中科院一区JCR一区
Qi Shi, Yanlei Li, Fan Zhang, Qianyun Ma, Jianfeng Sun, Yaqiong Liu, Jianlou Mu, Wenxiu Wang & Yiwei Tang
食品标签
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据准确测定多个梨品种的可溶性固形物含量（SSC）、可滴定酸度（TA）和硬度对于提升其市场吸引力至关重要。使用光谱技术的传统方法需要繁琐且试错性的预处理、特征波长选择和模型建立过程。此外，需要训练多个独立模型来预测不同属性。在本研究中，我们开发了一种基于鲸鱼优化算法（WOA）的多任务卷积神经网络（MCNN）模型，用于建立同时测定三个梨品种SSC、TA和硬度的全局模型。使用自主设计的透射光谱采集装置从单个梨样品中采集了300-900 nm范围内的光谱数据。我们建立并比较了使用三个梨品种的单品种预测模型和全局模型。优化后的MCNN模型对SSC（Rw2 = 0.977，残差预测偏差RPD = 5.414）、TA（Rw2 = 0.970，RPD = 5.057）和硬度（Rw2 = 0.978，RPD = 6.326）实现了最佳预测精度。将全局建模策略与优化的MCNN架构相结合，增强了模型对品种变异的鲁棒性，并提高了检测梨品质性状的准确性。该模型为无需对原始光谱进行任何进一步处理即可对水果中多个质量指标进行端到端、同步预测提供了一种新颖、便捷且自动化的方法。
-
基于高光谱技术的苹果硬度检测方法
查看原文
2024
Food Control
中科院一区JCR一区
Wenjing Gao, Xue Cheng, Xiaohan Liu, Yusheng Han & Zhenhui Ren
食品标签
新鲜水果 质构与流变性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱硬度是衡量苹果品质的关键指标。基于高光谱技术和回归算法构建苹果硬度预测模型，可实现对苹果硬度的快速、无损和高通量检测。本文在Savitzky-Golay平滑（SG平滑）算法的基础上，采用了一种自适应窗口长度的Savitzky-Golay平滑算法（AWL-SG平滑），该算法可根据不同波长处光谱数据的变化率自适应地调整窗口长度。研究中使用SG平滑、AWL-SG平滑、标准正态变量变换（SNV）和多元散射校正（MSC）等算法对原始光谱数据进行预处理，并构建了偏最小二乘回归（PLS）、岭回归（Ridge）和核岭回归（Kernel Ridge）预测模型，以分析不同预处理方法对模型预测精度的影响。结果表明，基于SG平滑和AWL-SG平滑预处理后的光谱数据所建立的预测模型，其性能相较于原始光谱数据有显著提升，其中AWL-SG平滑算法效果最佳。采用AWL-SG平滑预处理光谱数据构建的Ridge模型在测试集上取得了0.8914的决定系数（R²）。此外，研究还采用连续投影算法（SPA）、主成分分析（PCA）和独立成分分析（ICA）等降维算法，对经SG平滑和AWL-SG平滑预处理后的全波段光谱数据进行降维，并在此基础上构建Ridge和核岭回归预测模型。结果表明，SPA和PCA均能进一步提升模型的预测性能，其中PCA效果最优。最终，AWL-SG + PCA + Ridge组合取得了最佳预测效果，在测试集上的R²达到0.9146。
