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 364 条结果
-
利用机器学习预测环境条件与海水及牡蛎中弧菌浓度的关系
查看原文2024
Food Research International
中科院一区JCR一区Shuyi Feng, Shraddha Karanth, Esam Almuhaideb, Salina Parveen & Abani K. Pradhan
食品标签
软体与贝类 食品安全与风险评估计算机标签
深度学习 支持向量机 随机森林 K-近邻 梯度提升决策树 定量预测/回归分析副溶血弧菌和创伤弧菌是对公众健康有重大影响的细菌。识别影响它们在食品源中存在和浓度的因素,有助于确定重要的风险因素并预防食源性疾病的发生。近年来,机器学习在基于主要外部和内部变量(如环境变量和基因存在/缺失)模拟微生物存在方面显示出潜力,特别是在大量和多样化数据来源产生和可用的背景下。此类分析可用于预测食品系统中微生物的行为,尤其是在环境变量持续变化的影响下。在本研究中,我们测试了六种机器学习回归模型(随机森林、支持向量机、弹性网络、神经网络、K最近邻和极端梯度提升)在预测环境变量与海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌、总创伤弧菌和致病性创伤弧菌浓度之间关系方面的有效性。总体而言,使用我们的机器学习模型分析时,环境变量被证明是海水及牡蛎中总副溶血弧菌、致病性副溶血弧菌和创伤弧菌浓度的可靠预测因子(对于海水中的总副溶血弧菌、致病性副溶血弧菌以及牡蛎中的致病性副溶血弧菌,其可接受预测区>70%)。用于识别影响弧菌浓度变量的SHapley Additive exPlanations方法,确定了叶绿素a含量、海水盐度、海水温度和浊度为有影响力的变量。需要指出的是,不同菌株受同一环境变量的影响不同,这表明需要进一步研究这些变异的原因和潜在机制。总之,环境变量可能是海鲜中弧菌生长和行为的重要预测因子。此外,本研究开发的模型对于评估和管理与副溶血弧菌和创伤弧菌相关的风险,尤其是在环境变化的背景下,可能具有不可估量的价值。
-
利用可见/近红外高光谱成像技术,开发用于预测“Spania”西瓜中SSC空间变异性的低秩近似与深度神经网络统一框架
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Jobin Francis, Sony George, Binu M. Devassy & Sudhish N. George
食品标签
新鲜水果 其他品质相关性质 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
其他深度学习结构 偏最小二乘法 支持向量机 随机森林 智能手机/其他 定量预测/回归分析 缺陷/异物检测与定位 高光谱/多光谱光谱可溶性固形物含量(SSC)是衡量水果内在品质的重要指标。可见光-近红外(Vis/NIR)结合化学计量学算法是目前用于SSC无创检测和可视化的常用方法。然而,对于西瓜这类果皮较厚、果肉体积较大的水果,其SSC在果实内的分布并不均匀。果肉中SSC的这种变异性可能会对品质分析算法的准确性产生不利影响。因此,本文提出了一种结合低秩近似和深度神经网络的框架,用于准确高效地预测西瓜中SSC的空间变异。本研究选用“西班牙”西瓜品种,对每个西瓜从顶部、底部和两个侧面等多个视角拍摄高光谱图像。该方法以低秩特性为约束,消除光谱数据中不必要的变异。去除了不必要变异后的光谱数据低秩分量被输入到全连接神经网络(FNN)中,用于预测西瓜的SSC值。所提方法在校正和预测中均取得了最优性能,校正集的决定系数(R²C)为0.982,预测集的均方根误差(RMSEP)为0.132;预测集的决定系数(R²P)为0.945,均方根误差(RMSEP)为0.195。此外,将所提方法的预测结果与偏最小二乘回归(PLSR)、支持向量回归(SVR)、多元线性回归(MLR)、决策树(DT)和随机森林(RF)等最先进的方法进行了比较。总体结果表明,将高光谱图像(HSI)数据与低秩和深度神经网络框架相结合,是一种能够准确预测西瓜SSC以及正确预测单个果实中SSC空间变异性的有效方法。
-
基于短距离编码光三维扫描仪与机器学习的榴莲成熟度评估
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Thana Cheepsomsong, Arthit Phuangsombut, Kaewkarn Phuangsombut, Peerapong Sangwanangkul, Jingtair Siriphanich & Anupun Terdwongworakul
食品标签
新鲜水果 其他品质相关性质 显微与成像技术计算机标签
支持向量机 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据未成熟果实的混入是榴莲出口行业中的一个难题。本研究报道了利用三维(3D)扫描仪评估榴莲果实成熟度的方法,通过测量果实体积(用于计算密度)和果皮RGB颜色值。密度、RGB值及其非线性预测项被用于建立模型,以预测果肉干物质含量作为成熟度指标。基于支持向量机回归并使用遗传算法选择预测变量的预测模型表现出最佳性能,对果肉干物质含量的预测相关系数为0.82,预测均方根误差为4.61%。此外,基于线性判别分析并使用所选预测变量的分类模型能够以1.000的召回率分离未成熟榴莲。结果表明,使用3D扫描仪结合机器学习以非破坏性方式评估榴莲成熟度是可行的。
-
使用新型声学实时检测装置和可见光/近红外技术预测黄肉桃果实硬度的研究
查看原文2024
LWT
中科院一区JCR一区Nan Chen, Zhi Liu, Tianyu Zhang, Qingrong Lai, Jiansheng Zhang, Xinlin Wei, & Yande Liu
食品标签
新鲜水果 质构与流变性质 质构与流变测试 光谱/色谱/质谱等分析方法计算机标签
其他深度学习结构 偏最小二乘法 支持向量机 特征工程与选择策略 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据 时序传感器/物联网数据果实硬度是预测果实成熟度、最佳采收日期和货架期的关键指标。本研究中,采用了一种新型果实声学实时检测原型设备和一种传统可见近红外(Vis/NIR)光谱实时检测设备,从黄肉桃中采集声学和光谱信号,以联合预测其硬度。通过完全集合经验模态分解加自适应噪声(CEEM-DAN)、连续小波变换(CWT)和Gram角场(GAF)数据处理方法,将声学和光学信号生成一维和二维特征数据。基于这些数据,本研究构建了多种黄肉桃硬度预测模型,包括偏最小二乘法(PLS)、支持向量回归(SVR)、Swin Transformer(SwinT)以及SwinT-PLS/SVR。实验结果表明,基于竞争性自适应重加权抽样(CARS)声学图像特征与CARS-可见/近红外(Vis/NIR)光谱特征融合的SwinT-PLS模型表现出最佳的预测性能(R²P = 0.951,RMSEP = 0.443 N/mm,RPD P = 4.339),其预测性能显著高于基于单一声学或可见/近红外光谱数据的预测模型。所提出的方法能够快速、无损、准确地预测水果硬度,并在商业实时水果分拣应用中具有良好的前景。
-
基于高光谱透射成像、视觉编码技术与改进深度学习模型的早期腐烂橙子检测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Letian Cai, Yizhi Zhang, Zhihua Diao, Junyi Zhang, Ruiyao Shi, Xuetong Li & Jiangbo Li
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
支持向量机 其他深度学习结构 视觉基础模型 缺陷/异物检测与定位 高光谱/多光谱光谱有效检测腐烂柑橘类水果具有挑战性,因为受感染果实几乎没有视觉症状。本文提出了一种利用光谱可视化、数据增强和深度学习进行早期腐烂橙子检测的新方法。首先,使用人工少数类过采样(SMOTE)算法扩展腐烂样本数据,以解决不同类别(完好和腐烂)样本数量差距大的问题。接着,将光谱数据编码为格拉米角和场(GASF)图像,并在不同样本光谱高度相似时,使用AlexNet-SVM提取GASF图像特征进行分类。实验结果表明分类准确率超过95%,全波长特征得到优化,且生成GASF图像的时间相比优化前减少了59.43%。因此,所提出的方法为基于光谱分析的水果蔬菜缺陷检测提供了一种新颖的解决方案,并表明将一维光谱数据与使用视觉编码技术的图像处理相结合是可行的。