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CNN的Nendran香蕉采后快速分级:成熟度分类模型
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区P.L.Arunima, Pratheesh P. Gopinath, P.R. Geetha Lekshmi & M. Esakkimuthu
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
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集香蕉(Musa spp.)因其价格实惠和营养丰富而广受欢迎。确保香蕉质量对于满足消费者期望和国际出口标准至关重要。采后处理,尤其是分级,在香蕉分选和分类中起着关键作用。它对于质量保证、符合消费者偏好、获得市场准入、基于质量区分价格、减少浪费、优化包装效率以及提升供应链整体效能都至关重要。人工分级是造成大量采后损失的主要原因。卷积神经网络(CNN)被广泛认为是用于分类任务的先进计算机视觉技术。本研究引入了一种基于CNN的深度学习方法,用于Nendran香蕉的成熟度分类。研究重点是利用包含4320张图像的数据集开发和评估一个CNN模型。使用了已有的深度学习模型(VGG16、VGG19、InceptionV3、ResNet50和EfficientNetB0)进行比较,所开发的模型达到了95%的准确率。利用提出的模型开发了一个名为“香蕉成熟度识别应用”的网页应用程序。值得注意的是,所提出的模型优于现有的深度学习模型,强调了其卓越的分类准确性。研究得出结论,这个9层CNN模型非常有效,超越了成熟的深度学习架构,可以作为基于香蕉成熟度开发高效分类方法的基础,从而改善采后管理。
-
利用高光谱成像与机器学习增强芒果炭疽病的早期检测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Carlos Velasquez, Nuria Aleixos, Juan Gomez-Sanchis, Sergio Cubero, Flavio Prieto & José Blasco
食品标签
新鲜水果 微生物安全 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 缺陷/异物检测与定位 高光谱/多光谱光谱由炭疽菌属(Colletotrichum sp.)感染引起的炭疽病,对全球芒果生产构成了重大威胁,造成了巨大损失。这种毁灭性的病害难以检测和防治,主要原因是其传播速度快。目前用于防治炭疽病的方法主要是 corrective措施,依赖于在感染显现的后期阶段检测病害。因此,需要能够在症状出现前的早期阶段检测感染的工具。高光谱成像系统在开发非破坏性解决方案以评估和检测水果的外部及内部损伤(包括炭疽病引起的腐烂)方面很有前景。这些先进的成像系统能够在症状显现前实现早期检测,从而可以及时干预,并可能实现更有效的病害防治。本研究旨在评估利用高光谱成像和机器学习方法对两个芒果品种的炭疽病进行早期检测的可能性。其次,建立特定波长与炭疽病相关的理化症状之间的相关性。最后,开发一个用于芒果炭疽病光谱检测的稳健模型。用胶孢炭疽菌(Colletotrichum gloeosporioides)的孢子对芒果进行接种。在450-970纳米的光谱范围内采集了对照组和感染组果实的高光谱图像。使用五种机器学习模型来找到最适合该光谱数据的方法。对于“Keitt”品种,最佳模型的准确率=0.961、召回率=0.961、特异性=0.992、F1分数=0.961、马修斯相关系数(MCC)=0.953;对于“Osteen”品种,准确率=0.975、召回率=0.976、特异性=0.995、F1分数=0.975、MCC=0.971。这表明在病原菌接种后48小时内对芒果果实的早期炭疽病感染进行检测是可行的。
-
基于高光谱荧光成像与深度学习的草莓灰霉病早期检测算法开发
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Seung-Woo Chun, Doo-Jin Song, Kwang-Ho Lee, Min-Jee Kim, Moon S. Kim, Kyoung-Su Kim & Changyeun Mo
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 其他深度学习结构 缺陷/异物检测与定位 高光谱/多光谱光谱灰霉菌是一种在全球范围内造成经济损失的草莓病害。若病害在贮藏或运输期间爆发,可能迅速蔓延至邻近个体;因此,有必要开发早期诊断技术以进行预防。本研究开发了一种利用高光谱荧光成像技术快速、无损地确定草莓果实感染阶段的方法。实验采用‘Keumsil’品种草莓,在对照组和接种组中历时144小时采集高光谱荧光图像。根据可见霉菌孢子,将草莓分为四个感染阶段:健康、无症状、感染和感染后。提取高光谱荧光光谱,开发了基于偏最小二乘判别分析、VGG-19和ResNet-50的一维卷积神经网络模型;并对数据集应用了数据增强技术和六种光谱预处理技术。数据增强技术的应用提升了PLS-DA和1D-CNN模型在确定感染阶段方面的性能。基于ResNet-50的1D-CNN模型结合均值归一化数据和数据增强技术表现最佳,其精确率、召回率、F1分数和准确率分别达到96.88%、96.87%、96.85%和96.86%。本研究结果表明,利用高光谱荧光成像和1D-CNN技术确定草莓果实灰霉病感染阶段是可行的。该技术有望应用于草莓生长、采后分选包装及流通阶段的灰霉病早期检测。
-
基于机器学习的猕猴桃成熟过程中BZR转录因子鉴定与细胞壁降解标记基因筛选
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Yaming Yang, Shichang Ren, Ming Chen, ZhaoTing Li, Qian Ma, Miaochan Zhang, Hualin Li, Xiaolin Ren & Yuduan Ding
食品标签
新鲜水果 基因组学 转录组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据BZR是油菜素内酯信号转导中的关键转录因子,而乙烯已知能促进猕猴桃软化。然而,BZR在果实软化中介导乙烯和油菜素内酯相互作用的精确机制仍不清楚。本研究在猕猴桃基因组中鉴定了8个BZR转录因子,并分析了它们在果实发育、采后储存及不同组织中的表达谱。随后,筛选并鉴定了分别由乙烯和油菜素内酯诱导的AdBZR1.1和AdBZR1.4。亚细胞定位确定AdBZR1.1和AdBZR1.4定位于细胞核。应用四种机器学习方法,我们进一步筛选了可能参与果实软化的细胞壁降解基因。双荧光素酶实验表明,AdBZR1.1和AdBZR1.4并不直接调控乙烯合成或筛选出的细胞壁相关基因。然而,瞬时过表达分析证明AdBZR1.1和AdBZR1.4能够促进猕猴桃软化。我们的研究结果为后续分析与AdBZR1.1和AdBZR1.4相关的转录调控网络奠定了基础。
-
基于机器学习的扩展青霉感染苹果病斑中棒曲霉素积累预测模型
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Rongxia Li, Pengdong Xie, Xiaoyan Cheng, Lirong Yu, Ruofei Wu, Huali Xue, Yang Bi & Xuexue Wang
食品标签
新鲜水果 颜色与外观品质 微生物安全 其他理化与结构表征计算机标签
随机森林 梯度提升决策树 智能手机/其他 模型可解释性 定量预测/回归分析扩展青霉(Penicillium expansum)引起果实蓝霉病,并导致有害毒素棒曲霉素的积累。目前棒曲霉素的检测方法成本高且复杂,凸显了对简化方法的需求。本研究探讨了扩展青霉对‘金冠’和‘富士’苹果的影响,重点关注病斑特征和果实特性的显著变化。相关性分析显示,棒曲霉素含量与病斑直径、病斑深度及果实重量损失呈强正相关,而与苹果硬度和果肉硬度呈负相关。在使用的四种机器学习模型——反向传播神经网络(BPNN)、随机森林(RF)、极端梯度提升(XGBoost)和梯度提升回归树(GBRT)中,所有模型均显示出良好的预测性能且未对数据产生过拟合。BPNN在准确预测棒曲霉素积累方面优于其他模型(金冠:RMSE=0.72, MAE=0.217, R²=0.982;富士:RMSE=0.289, MAE=0.08, R²=0.994)。利用SHapley可加性解释(SHAP)度量确定的影响棒曲霉素积累的关键特征包括病斑直径、病斑深度和果实重量损失。本研究强调了机器学习基于这些关键因素预测棒曲霉素积累的潜力,为采后果实质量管理提供了一种简化的检测方法。