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 167 条结果
-
短波红外高光谱成像系统结合多变量方法测量猪肉中的总挥发性碱氮
查看原文2021
Food Control
中科院一区JCR一区Insuck Baek, Hoonsoo Lee, Byoung-kwan Cho, Changyeun Mo, Diane E. Chan, & Moon S. Kim
食品标签
畜肉 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
偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱肉类新鲜度的监测与维持是保障消费级安全肉品供应的关键环节。本研究旨在构建一套短波红外高光谱成像(SWIR-HSI)检测系统,结合偏最小二乘回归(PLSR)模型与特征筛选方法,实现生鲜猪肉中挥发性盐基氮(TVB-N)含量的精准预测。
实验采集了猪肉样本在冷藏条件下贮藏 1 天、4 天、8 天、11 天、15 天及 21 天后的短波红外高光谱反射图像,并结合样本实测挥发性盐基氮含量数据,构建偏最小二乘回归预测模型。研究采用随机蛙跳算法(RF)与投影变量重要性(VIP)评分两种特征筛选策略对模型进行优化。结果显示,经最大归一化预处理优化后的 RF-PLSR 模型性能最优,其校正决定系数(R c2)与预测决定系数(R p2)分别达到 0.94 和 0.90。此外,本研究基于筛选出的特征波段,结合最优模型实现了猪肉挥发性盐基氮含量的可视化成像,为直观解析样本的空间分布信息提供了有效途径。综上,本研究构建的多变量分析模型可实现猪肉新鲜度的快速无损检测,有望替代传统检测方法,应用于在线检测系统,为肉品新鲜度的高效管控提供技术支撑。 -
偏最小二乘法和机器学习预测羊肉眼肌内脂肪含量
查看原文2021
Meat Science
中科院一区JCR一区Stephanie M. Fowler, David Wheeler, Stephen Morris, Suzanne I. Mortimer & David L. Hopkins
食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 中等规模数据集鉴于羊肉胴体分级工具的匮乏,澳大利亚羊肉胴体亟需开发快速、无损的分级工具,尤其是脂肪含量相关工具,因其对肉质和食用品质至关重要。本研究旨在探讨近红外(NIR)光谱技术结合偏最小二乘法(PLS)与机器学习分析方法预测肌内脂肪(IMF)的可行性。为此,使用近红外光纤设备对299份羊里脊肉进行检测,切取样本通过索氏提取法测定肌内脂肪含量,并分别采用偏最小二乘法与机器学习方法构建预测模型。两种分析方法得到的肌内脂肪预测模型效果相近,其中偏最小二乘法模型决定系数R²=0.6,均方根误差RMSE=0.84;机器学习模型决定系数R²=0.65,均方根误差RMSE=0.72。本研究表明,一次屠宰所获光谱数据与后续两次屠宰的光谱数据差异显著,且不同研究筛选出的特征波长并不一致。
-
高光谱成像与化学计量学预测猪肉肌内脂肪含量的各向异性效应
查看原文2021
Meat Science
中科院一区JCR一区Christopher T. Kucha, Li Liu, Michael Ngadi & Claude Gariépy
食品标签
畜肉 其他品质相关性质 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 支持向量机 智能手机/其他 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据肌肉的纤维结构使其成为一种各向异性的光学材料。因此,光谱信息随肌肉取向的变化而变化。本研究通过使用高光谱成像技术,对猪肉切块进行横向扫描、径向扫描和纵向扫描来获取光谱数据。利用这些信息,通过偏最小二乘回归、支持向量机回归和反向传播人工神经网络建立并比较了肌内脂肪含量预测模型。三种建模算法在猪肉肌内脂肪建模方面表现出同等能力。三种扫描方式的预测模型精度顺序为:横向扫描 ≥ 径向扫描 ≥ 纵向扫描。连续投影算法将波长减少了93%。使用缩减后的波长建立的新模型显示出与原始波长模型相似的精度。本研究表明肌肉取向会影响预测模型的精度。
-
基于深度学习与快照高光谱成像技术的肉类物种分类潜力研究
查看原文2020
Food Control
中科院一区JCR一区Mahmoud Al-Sarayreh, Marlon M. Reis, Wei Qi Yan & Reinhard Klette
食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱在肉类行业中,产品真伪鉴别至关重要,因其关系到人类膳食结构、加工产业链,同时也是保障公平贸易的重要基础。本研究旨在融合红肉高光谱图像(HSI)的光谱与空间特征,探究 快照式高光谱成像(snapshot HSI) 结合深度学习方法用于红肉分类的应用潜力,并对快照式与传统标准线扫描高光谱系统开展全面对比。本研究提出一种新型 三维深度卷积神经网络(3D-CNN) 模型,用于提取光谱 - 空间联合特征并实现高光谱图像中肉类的分类识别;同时创新采用基于图的后处理方法,提升 3D-CNN 模型的预测效果。结果表明,3D-CNN 方法相较现有主流模型,显著提升了整体分类精度。尽管快照式高光谱的光谱信息存在一定局限,3D-CNN 模型仍表现出良好的鲁棒性:基于近红外(NIR)快照高光谱的整体分类精度达 96.9%,基于可见光(VIS)快照高光谱的精度达 97.1%。两类高光谱系统的对比结果显示,传统主流模型难以对快照式高光谱数据实现精准分类,而 3D-CNN 通过利用完整图像信息,在两种系统上均能获得优异的分类精度。本研究为后续依托快照式高光谱与深度学习模型,开展红肉真伪实时鉴别、移动式高光谱系统开发等相关研究奠定了基础。
-
基于近红外光谱与化学计量学的牛肉末中猪肉和鸭肉二元及三元掺假的定量检测研究
查看原文2020
Food Control
中科院一区JCR一区Tuo Leng, Feng Li, Luoan Xiong, Qian Xiong, Mengting Zhu & Yi Chen
食品标签
畜肉 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究建立了一种基于近红外(NIR)光谱技术(波数范围 12500–5400 cm⁻¹)的快速、无损方法,用于检测牛肉糜中掺入的猪肉与鸭肉。研究采用化学计量学方法开展掺伪鉴别与掺伪量预测,并通过筛选特征波长、采用不同光谱预处理方式优化 判别分析(DA)与偏最小二乘回归(PLS) 模型。采用特征波长且不进行光谱预处理的 DA 模型效果最优,其二元体系、三元体系的分类准确率分别达到 100% 与 91.5%。用于掺伪量预测的全波长最优 PLS 模型,在二元、三元样品中预测相关系数Rp分别为 95.80%、95.69%,预测均方根误差(RMSEP)分别为 7.27 和 9.27。本文结果表明,近红外技术不仅适用于牛肉糜二元掺伪体系的检测,同样可用于三元掺伪体系。