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
-
基于计算机视觉和深度学习的秋月梨缺陷检测方法
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Baoya Wang, Jin Hua, Lianming Xia, Fangyuan Lu, Xia Sun, Yemin Guo & Dianbin Su
食品标签
新鲜水果 颜色与外观品质 显微与成像技术计算机标签
目标检测网络 缺陷/异物检测与定位 可见光/RGB/视频数据为了快速且准确地检测秋月梨(Pyrus pyrifolia Nakai)采后的缺陷,本研究旨在开发一种基于计算机视觉和深度学习模型的秋月梨缺陷检测方法。该方法主要包括利用图像采集系统获取高质量图像,以及提出一种新的YOLO-AP检测模型来识别秋月梨的缺陷。该模型以YOLOv5为主要架构,通过将Ghost模块中的标准卷积替换为动态卷积得到GhostDynamicConv(GDC)模块;将Neck部分C3中的Bottleneck模块替换为GDC模块,得到C3-GhostDynamicConv(C3-GDC)模块,在简化网络的同时提高了模型的精度。同时,在C3-GDC之后引入瓶颈注意力模块(BAM),以优化中间特征。此外,将原始的边界框损失函数替换为Wise-IoUV3(WIoUV3),以加快模型收敛。结果表明,YOLO-AP在秋月梨缺陷检测中表现更优,其mAP@0.5为0.939,召回率为0.921,检测速度为454.5 fps(每张图像2.2毫秒)。这些数值相较于基准模型分别提升了4.2%、3.5%和1.4%。将YOLO-AP与更新后的YOLOv9及其他检测模型进行比较,YOLO-AP的精度更高、速度更快。这些研究结果表明,所提出的方法能够实时、高效且准确地检测秋月梨的缺陷,为采后缺陷检测提供了技术支持。
-
基于结构化照明反射成像与深度学习耦合的早期腐烂柑橘通用分类模型开发
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Zhonglei Cai, Chanjun Sun, Hailiang Zhang, Yizhi Zhang & 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
偏最小二乘法 卷积神经网络 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱由真菌感染引起的柑橘早期腐烂检测是柑橘产业面临的主要挑战,因为腐烂区域在果实表面几乎不可见。本研究构建了一种结合发光二极管(LED)灯和单色相机的结构照明成像检测系统。通过在0.25 cycles mm−1空间频率下解调三幅相移图案图像,恢复了直接分量(DC)图像和交流分量(AC)图像。与DC图像相比,腐烂区域在AC图像和比率图像(即AC/DC)中可以清晰显示。对于独立模型,通过将RT图像与卷积神经网络(CNN)方法结合,腐烂橙子和砂糖橘的分类准确率分别达到92.5%和95.0%。然而,为不同柑橘品种构建不同的预测模型耗时耗力。因此,本研究还探索了建立适用于多种柑橘果实的通用分类模型的可行性。评估并比较了偏最小二乘判别分析和CNN模型的分类性能。在所有通用模型中,CNN模型表现出优越的性能,对于包含两个柑橘品种(橙子和砂糖橘)的独立测试集,其分类准确率达到95.0%。对于四种类型的柑橘(橙子、砂糖橘、不知火和南丰蜜桔),通用模型的整体分类准确率为90.6%。本研究表明,通过构建结合结构化照明反射成像技术的通用CNN模型,可以有效识别不同品种的早期腐烂柑橘。
-
通过基于树的回归模型中的适口性评分预测识别苹果风味的芳香化合物
查看原文2024
LWT
中科院一区JCR一区Taku Shimizu, Yuuhi Hattori, Shoji Ogami, Yuriko Imayoshi, Shigeki Moriya, Kazuma Okada, Yutaka Sawamura, & Kazuyuki Abe
食品标签
新鲜水果 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 其他植物化学物质计算机标签
随机森林 梯度提升决策树 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据苹果风味与香气化合物的组成有关;然而,不同浓度的香气化合物的影响仍然知之甚少。虽然感官评价通常用于分析食品的可口性,但评估所有香气化合物浓度的影响仍具有挑战性。本研究使用回归模型、气相色谱质谱分析和感官可口性评分筛选了174种苹果基因型中的重要香气化合物。采用了两种模型,即随机森林和XGBoost来预测可口性评分,超越了相关性分析的局限性。Shapley加性解释值分析确定了5-己醇、乙基2-甲基丁酸酯、2-甲基丁基乙酸酯、(E,E)-α-法呢烯和(Z)-3-己醇为关键香气化合物。在一项验证香气化合物浓度影响的感官评估中,(E,E)-α-法尼烯浓度的变化对感官可口性评分产生了负面影响。这项研究展示了一种识别影响苹果风味的香气化合物的新方法,为提升苹果质量和可口性提供了有价值的见解。
-
结合机器学习和化学计量学技术,利用整体光学特性对苹果质量进行定性和定量评估
查看原文2024
LWT
中科院一区JCR一区Kai Tian, Weijie Zhu, Minjie Wang, Ting Chen, Fuqi Li, Jianchao Xie, Yumeng Peng, Tong Sun, Guoquan Zhou, & Dong Hu
食品标签
新鲜水果 品质、结构与理化性质 理化与结构表征 传统统计分析与回归计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析本研究旨在了解苹果的体光学性质 (BOP)、可溶性固形物含量 (SSC) 与果实硬度 (FF) 之间的定量关系,以及苹果品种和货架期的定性区分。在 500-1000 nm 范围内,采用单积分球技术测定了来自四个品种的 200 个苹果在 36 天货架期内的吸收系数 (μa) 和约化散射系数 (μs′)。基于苹果的 BOP,使用偏最小二乘回归 (PLSR) 和随机森林 (RF) 算法建立了 SSC 和 FF 的定量预测模型。结果表明,基于 μa 和 μs′ 的 PLSR 模型在 SSC (R²p = 0.749, RMSEP = 0.507) 和 FF (R²p = 0.745, RMSEP = 0.571) 的定量预测中最为理想。随机森林(RF)和线性判别分析(LDA)被用于建立区分苹果品种和保质期的定性模型,结果表明,基于μɑ和μɑ μs′的RF模型在苹果品种和保质期的判定中分别具有最高的准确性,预测集的准确率分别达到93.2%和85.7%。总体而言,RF在定性判别上优于LDA;然而,在定量建模方面,它不如偏最小二乘回归(PLSR)有效。
-
基于理化性质分析和结构光照反射成像的稳定YOLOv8苹果损伤检测分类模型的构建
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Junyi Zhang, Liping Chen, Liwei Luo, Zhonglei Cai, Ruiyao Shi, Letian Cai, Xuhai Yang & Jiangbo Li
食品标签
新鲜水果 微观结构与成像 其他品质相关性质 显微与成像技术计算机标签
目标检测网络 分类/鉴别/等级评定 可见光/RGB/视频数据苹果损伤各阶段的有效、准确检测一直是苹果无损分级中的一个挑战。本研究提出结合深度学习方法的可见光结构光照反射成像技术,用于识别富士苹果在四个不同时间阶段(0、6、12和24小时)的损伤。测量并分析了损伤组织的宏观/微观结构和理化性质,以确定损伤时间与这些性质之间的关系,以及它们如何影响损伤检测的准确性。结果表明,分类准确率随着损伤组织水分和总酚含量的降低,以及颜色褐变和损伤面积的增加而提高。YOLOv8模型取得了最高的检测准确率(99.5%)和稳定性。这项研究增强了对苹果损伤光学的理解,有助于发展先进的非破坏性检测技术。