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
-
不同人工神经网络对经不同预处理和微波干燥组合处理的香蕉切片的识别性能
查看原文2024
Food Control
中科院一区JCR一区Necati Çetin, Ewa Ropelewska, Younes Noutfia, & Seda Günaydın
食品标签
新鲜水果 品质、结构与理化性质 物理辅助加工 理化与结构表征 显微与成像技术计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集本研究旨在评估功率为 100 W、200 W、300 W 的微波干燥处理,对未预处理及经5% 抗坏血酸溶液、5% 柠檬酸溶液、5% 阿拉伯树胶溶液、超声波预处理的香芽蕉(华蕉)切片品质的影响。研究采用数码单镜反光(DSLR)相机对香蕉切片进行成像,对获取的图像进行处理以提取纹理参数。基于从包含不同颜色通道下 2172 幅图像纹理的大型数据集里筛选出的图像纹理参数,本研究利用人工神经网络构建了分类模型。实验选用了宽神经网络、双层神经网络、中型神经网络,以及三类函数型分类器 ——径向基函数(RBF)网络、多层感知器、加权结构判别分析读取器(WiSARD)。针对预处理方式与微波干燥功率组合形成的 15 类香蕉切片样本,基于多层感知器构建的模型分类平均准确率最高可达 97.2%。多数模型的测试结果显示,未经预处理、200 W 微波干燥的香蕉样本分类正确率最高。本研究表明,采用图像处理结合人工智能技术,可实现对预处理 - 微波干燥香蕉切片品质的客观、无损、准确且稳健的评估。
-
改进的DCGAN模型:基于高光谱图像的哈密瓜农药残留识别数据增强方法
查看原文2024
Food Control
中科院一区JCR一区Haibo Tan, Yating Hu, Benxue Ma, Guowei Yu, & Yujie Li
食品标签
新鲜水果 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法计算机标签
深度学习 支持向量机 随机森林 生成对抗网络 分类/鉴别/等级评定 高光谱/多光谱光谱由于农药的不规范使用,哈密瓜农药残留问题日益引发关注,这一现象已构成潜在的食品安全隐患。因此,建立一套哈密瓜农药残留的快速无损检测方法迫在眉睫。本研究采用短波红外高光谱成像技术(SWIR-HSI)开展哈密瓜农药残留鉴别研究。针对不同农药残留类型的哈密瓜光谱数据集,提出一种基于改进型深度卷积生成对抗网络(DCGAN)的数据增强方法以扩充样本量。研究引入最近邻分类器(1-NN)对生成光谱的质量进行评估,以此确定模型的最优训练轮次。通过决策树(DT)、随机森林(RF)及支持向量机(SVM)三种常用分类器,验证了改进型 DCGAN 算法的有效性。结果表明,改进型 DCGAN 可不同程度提升三类分类器的检测性能:决策树、随机森林与支持向量机的准确率分别提升 13.13%、7.50% 和 11.25%;其中支持向量机模型的检测准确率最高,达 93.13%。上述研究结果证实,短波红外高光谱成像技术结合基于改进型深度卷积生成对抗网络的数据增强方法,在哈密瓜农药残留检测领域具有良好的应用前景。
-
基于大规模数据驱动的商用香蕉成熟过程均匀性分析与感官预测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Ria Kanjilal, Jorge E. Saenz & Ismail Uysal
食品标签
新鲜水果 其他品质相关性质计算机标签
智能手机/其他 定量预测/回归分析 时序传感器/物联网数据人工智能(AI)与机器学习(ML)在食品供应链中已有显著应用,尤其是在学术研究领域,主要用于保护和优化生鲜农产品质量,并实现冷链各阶段的均匀性。然而,AI/ML在实际大规模商用食品加工过程(如香蕉催熟)中的预测分析应用仍然较少。本研究提出一种新颖的数据驱动方法,并在两个新的大规模数据集上进行了测试与验证,旨在通过机器学习基于环境条件对香蕉皮色和果肉温度进行均匀性分析,从而实现冷藏海运集装箱中香蕉催熟过程的自动化与优化。结果表明,气体浓度与催熟过程均匀性之间存在高度相关性,说明通过控制CO2和O2气体浓度可以实现果实皮色和果肉温度的均匀性。此外,本研究首次实现了基于其他环境变量对氧气浓度的精确算法预测,为催熟过程中环境条件的持续、改进且更具成本效益的监测提供了替代方案。研究测试并验证了多种预测模型,其中长短期记忆回归在两个数据集上取得了最低的均方根误差(0.033和0.202)和较高的R平方值(0.999和0.959)。
-
应用响应面法和人工神经网络对芒果皮中总酚类物质微波辅助提取过程的建模与优化
查看原文2024
Food Chemistry: X
中科院一区JCR一区David Ramírez-Brewer,Somaris E. Quintana & Luis A & García-Zapateiro
食品标签
新鲜水果 物理辅助加工 抗氧化/抗炎等功能 副产物与废弃物高值利用 常规理化指标测定 响应面分析与多因素优化 多酚与黄酮计算机标签
智能手机/其他 定量预测/回归分析 过程控制与实时优化芒果(Mangifera indica)是一种因其风味和营养成分而被大量食用的水果。芒果皮富含具有生物功能的化合物,例如抗氧化活性等。采用响应面法(RSM)和人工神经网络(ANN)研究了微波辅助提取变量对Tommy和Sugar品种芒果皮天然提取物中总酚化合物(TPC)和抗氧化活性(TEAC)的影响。Tommy品种芒果皮提取物的总酚化合物含量受提取时间(X1)、溶剂/原料比(X2)和乙醇浓度(X3)的显著影响,而Sugar品种芒果皮提取物的总酚化合物含量则受X2的影响。ABTS法测定的TEAC值受X3的显著影响。Tommy品种芒果皮提取物在X1=23.9秒、X2=12.6毫升/克、X3=63.2%时,总酚化合物含量达到最大值(121.3毫克没食子酸当量/克提取物),TEAC值达到最大值(1185.9微摩尔Trolox/克提取物);Sugar品种芒果皮提取物在X1=40秒、X2=10毫升/克、X3=74.9%时,总酚化合物含量达到最大值(224.86毫克没食子酸当量/克提取物),TEAC值达到最大值(2117.7微摩尔Trolox/克提取物)。人工神经网络模型的预测能力优于响应面法(R_ANN² > R_RSM²,RMSE_ANN < RMSE_RSM,AAD_ANN < AAD_RSM)。这些提取物可用于新产品的开发。
-
基于Vis-NIR高光谱成像的不同成熟度冬枣可溶性固形物含量监测与货架期分析
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Yuanyuan Shao, Shengheng Ji, Guantao Xuan, Kaili Wang, Liqiang Xu & Jing Shao
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 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 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱本研究采用可见-近红外(Vis-NIR)高光谱成像技术,对不同成熟阶段冬枣的可溶性固形物含量(SSC)进行监测并分析其货架期。通过支持向量回归(SVR)和偏最小二乘回归(PLSR)模型,探究了中熟和成熟冬枣的可溶性固形物含量与其光谱数据之间的关系。中熟冬枣外部验证集的最佳决定系数和剩余预测偏差分别为0.837和2.47,成熟冬枣则分别为0.806和2.28。这表明,采用连续投影算法(SPA)筛选有效波长后,支持向量回归模型对可溶性固形物含量的预测效果更为显著。从预测图中可以看出,可溶性固形物含量的空间分布与成熟度及货架期存在显著相关性。此外,利用支持向量机库(LIBSVM)对货架期进行分析,中熟和成熟冬枣外部验证集的准确率分别达到89%和91%。这些结果表明,高光谱成像技术在采后冬枣的品质监测和货架期分析方面具有巨大潜力。