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
-
结构光反射成像结合深度学习用于早期腐烂橙子检测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Hailiang Zhang, Jing Zhang, Yizhi Zhang, Jingru Wei, Baishao Zhan, Xuemei Liu & Wei Luo
食品标签
新鲜水果 微生物安全 显微与成像技术计算机标签
图像分割网络 缺陷/异物检测与定位 可见光/RGB/视频数据真菌腐烂是采后柑橘最严重的缺陷,及时检测并剔除早期腐烂柑橘对减少经济损失尤为关键。基于结构光照的成像技术是检测水果表面缺陷的一种具有前景的方法。本研究旨在评估结合结构光照反射成像(SIRI)系统与深度学习技术用于柑橘早期腐烂识别与分割的可行性。在四种空间频率下采集柑橘的相移图像,经解调得到直流分量(DC)和交流分量(AC)图像。根据图像中腐烂区域与健康区域的对比度指数,确定检测腐烂的最佳空间频率为 0.20 cycles mm⁻¹。随后,对 AC 图像进行亮度校正与数据增强处理。采用全局阈值法、分水岭分割法以及 U-Net 三种分割方法对图像中的腐烂区域进行分割。其中,U-Net 在 AC 图像上取得了最优结果,总体准确率达到 99.4%,交并比(IoU)为 0.903。通过梯度加权类激活映射(Grad-CAM)可视化 U-Net 对柑橘腐烂区域的识别结果,效果令人满意。本研究有效验证了 SIRI 结合深度学习的缺陷识别能力,为柑橘早期腐烂检测提供了可靠的解决方案。
-
基于激光散斑成像与机器学习模型的苹果果实呼吸速率无接触估算
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Piotr Mariusz Pieczywek, Artur Nosalewicz & Artur Zdunek
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 显微与成像技术计算机标签
机器学习/统计学习 定量预测/回归分析 时序传感器/物联网数据本文介绍了激光散斑成像法的应用,这是一种用于监测完整苹果气体交换速率的无损、非接触式方法。在典型的激光散斑成像装置中,使用了红色和红外激光器。提出了一个新的参数——散斑图案弛豫时间,用于评估散斑动态。研究采用机器学习方法开发了一组预测模型,这些模型以通过气流系统测量的两个苹果品种的呼吸速率为基准进行校准和验证。性能最佳的模型使用了三个变量:散斑图案弛豫时间(τRED或τIR)、果实质量以及描述苹果品种的分类变量。该模型的平均绝对预测误差低至6.04%,表现令人满意。激光散射测量数据与现代机器学习算法相结合,提供了一种无损且快速的苹果呼吸速率估算方法。所开发的解决方案具有广泛的工业应用潜力,特别是在水果储存领域,因为果实呼吸速率可反映最佳储存条件。
-
基于深度学习特征提取的不同波长光实时检测黄曲霉毒素污染的无花果
查看原文2024
Food Control
中科院一区JCR一区Cihan Kılıç, Hayrettin Özer, & Burak İnner
食品标签
新鲜水果 食品安全与风险评估 化学污染物 显微与成像技术计算机标签
深度学习 支持向量机 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据黄曲霉毒素(AF)对食品的污染会对人类及动物健康构成严重威胁。无花果等多种农作物均易受到黄曲霉毒素污染。在无花果生产加工环节,工作人员通常采用亮绿黄色荧光法(BGYF),在紫外光照射下人工分拣受黄曲霉毒素污染的果实。这种人工分拣流程不仅对操作人员的专业能力有较高要求,且长期暴露于紫外辐射还可能危害人体健康。本研究旨在探索一种检测效能优于亮绿黄色荧光法的自动化检测技术,实现对黄曲霉毒素污染无花果的精准筛查,从而降低生产环节对人体健康的潜在危害,提升无花果生产加工的安全性。研究首先探究了黄曲霉毒素与亮绿黄色荧光之间的相关性,结果表明,借助亮绿黄色荧光法检测黄曲霉毒素的检出率仅为 73%。随后,研究团队搭建一套搭载多波长光源(250~1000 nm)的光学成像系统,采集无花果样本图像并构建数据集;同时采用迁移学习方法,从图像数据中提取特征向量。进一步选用支持向量机(SVM)作为分类器,对经 365 nm 波长光源照射、并通过 MobileNetV2、ResNet101V2 及 InceptionResNetV2 三种模型提取的图像特征向量进行分类。实验结果显示,该方法对污染无花果的检测准确率达 100%,对未污染无花果的识别准确率为 92.3%,总体分类准确率达 96%。上述研究证实,基于深度学习提取的图像特征,可实现对黄曲霉毒素污染无花果的快速、自动化、高效检测。
-
基于多任务卷积神经网络的水果新鲜度检测
查看原文2024
Current Research in Food Science
中科院一区JCR一区Yinsheng Zhang, Xudong Yang, Yongbo Cheng, Xiaojun Wu, Xiulan Sun, Ruiqi Hou & Haiyan Wang
食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测计算机标签
卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据背景:通过计算机视觉检测水果新鲜度在许多农业应用中至关重要,例如自动收获和供应链监控。本文提出采用多任务学习(MTL)范式构建用于水果新鲜度检测的深度卷积神经网络。
结果:我们设计了一个多任务学习模型,用于并行优化新鲜度检测(T1)和水果类型分类(T2)任务。该模型采用共享卷积神经网络(CNN)子网络和两个全连接(FC)任务头。共享卷积神经网络作为特征提取模块,为两个任务头提供共同的语义特征。基于一个公开的水果图像数据集,我们对多任务学习和单任务学习(STL)范式进行了对比研究。单任务学习模型使用相同的卷积神经网络子网络,但仅配备一个特定的任务头。在多任务学习场景中,测试集上T1和T2的平均准确率分别为93.24%和88.66%。同时,对于单任务学习,这两个准确率分别为92.50%和87.22%。统计测试表明,多任务学习和单任务学习在T1和T2的测试准确率上存在显著差异。我们进一步研究了从两个单任务学习模型中提取的特征向量(语义嵌入)。在整个数据集上,这些向量的平均余弦相似度为0.7,大多数值在0.6–0.8范围内。这表明任务之间存在相关性,并证明了所提出的多任务学习方法的有效性。
结论:本研究证明,多任务学习能够利用两个或多个相关任务之间的相互关联,并能最大限度地共享它们的底层特征提取过程。我们期望这种方法能够扩展到涉及多个相互关联任务的其他领域。 -
基于采后储存期‘jukhyang’和‘Merry Queen’草莓挥发性有机化合物的储存时长机器学习预测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Eunsu Do, Mingyeong Kim, Da-Yeong Ko, Mijeong Lee, Cheolgyu Lee & Kang-Mo Ku
食品标签
新鲜水果 货架期预测与品质劣变动力学 其他品质相关性质计算机标签
其他深度学习结构 偏最小二乘法 随机森林 智能手机/其他 定量预测/回归分析草莓(Fragaria × ananassa Duch.)是一种广受欢迎的园艺作物,以其独特的口感和风味而闻名。为了建立一个准确的草莓新鲜度预测模型,研究人员对完全成熟的‘竹香’和‘欢乐女王’草莓的比色数据、总可溶性固形物、可滴定酸度和挥发性有机化合物(VOCs)进行了研究。在冷藏(10°C,相对湿度79%)0、4、8和12天后进行了数据测量。虽然常规的质量决定因素在储存期间变化细微,但大量的挥发性有机化合物代谢物数据被证明足以构建草莓新鲜度预测模型。在评估的算法中,包括正交偏最小二乘(OPLS)、随机森林、偏最小二乘(PLS)回归和人工神经网络多层感知器(MLP),多层感知器算法的准确率最高。利用25种挥发性有机化合物的变化,开发了一个多层感知器模型,测试集的R²为0.999,准确率较高。1-己醇、甲苯、异戊酸乙酯、丙酸乙酯和异戊醇等化合物被确定为多层感知器新鲜度预测模型的重要生物标志物。这些发现凸显了挥发性有机化合物作为预测储存期间草莓新鲜度关键指标的潜力。