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
-
利用可见光和近红外高光谱成像探索苹果硬度的可变性和异质性
查看原文2024
LWT
中科院一区JCR一区Zhenjie Wang, Shasha Wu, Changzhou Zuo, Mengwei Jiang, Jin Song, Fangchen Ding, Kang Tu, Weijie Lan, & Leiqing Pan
食品标签
新鲜水果 质构与流变性质 质构与流变测试 显微与成像技术计算机标签
支持向量机 定量预测/回归分析 高光谱/多光谱光谱在本研究中,探索了苹果硬度的可变性和异质性及其对基于380-1010 nm高光谱成像(HSI)所开发模型预测性能的影响。不同品种之间的差异性以及单个苹果内部的变异性都表现出硬度的显著变化。在单个苹果内部,'红富士'的赤道、'奶油富士'的萼部以及'华牛'的果梗处的硬度异质性较大,其变异系数分别为15.6%、15.4%和17.5%。此外,基于来自不同品种和空间区域的HSI光谱的最小二乘支持向量机(LS-SVM)模型在硬度预测性能上表现最佳,其校正决定系数 R c² 和预测决定系数 R p² 分别为0.85和0.81。本研究表明,苹果硬度的建模校准应特别考虑苹果在梗部、赤道部和萼部的变异性和异质性,以获得准确的硬度高光谱成像(HSI)测定结果。此外,开发苹果多品种模型对于提高硬度模型的性能具有重要意义。
-
YOLOv8-MDN-Tiny:一种用于采后黄金百香果多尺度病害检测的轻量级模型
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Dengjie Chen, Fan Lin, Caihua Lu, JunWei Zhuang, Hongjie Su, Dehui Zhang & Jincheng He
食品标签
新鲜水果 颜色与外观品质 其他安全问题 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 缺陷/异物检测与定位 可见光/RGB/视频数据百香果是一种具有重要商业价值的水果作物,易感染炭疽病和疮痂病,导致其经济价值下降。然而,目前百香果的品质分级主要依靠人工评估,主观性强、效率低且准确性差。对采后百香果进行智能分类至关重要,其中表皮病害是评定果实品质的关键因素。针对传统深度学习模型多尺度检测能力弱、精度低等缺点,本研究提出YOLOv8-MDN-Tiny模型以提升百香果小尺度病害检测能力。用自制的MFSO结构替换主干网络层,以扩展小目标信息的特征像素并丰富其特征表达。提出改进的DyRep模块,实现不同尺度和深度的病害特征交互融合。引入NWD损失函数以精确度量两个边界框的重叠程度。最后,利用Slimming剪枝和CWD技术对模型进行压缩。与YOLOv8s相比,改进后的轻量级模型能更精准地定位百香果小目标。具体而言,mAP50提升2.2%至94.8%,精确率和召回率分别提高1.5%和6.0%。同时,模型参数量和内存占用分别减少90.1%和88.9%。该研究结果为采后百香果病害检测及其品质实时分级提供了技术支持。
-
一种基于扩散映射和机器学习的蔬菜水果分类新方法
查看原文2024
Current Research in Food Science
中科院一区JCR一区Wenbo Wang, Aimin Zhu, Hongjiang Wei & Lijuan Yu
食品标签
新鲜水果 新鲜蔬菜 显微与成像技术计算机标签
机器学习/统计学习 智能手机/其他 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据果蔬分类有助于农产品流通的各个环节更好地开展库存管理、物流规划和供应链协调,提高供应链的效率和响应速度。然而,目前的果蔬分类主要依靠人工分类,这不可避免地会引入人为主观因素的影响,导致果蔬分类出现错误和误判。针对这一突出问题,本研究提出了一种高效且可复现的新型模型,利用手工特征对多种果蔬进行分类。在该模型中,对果蔬图片进行高斯滤波、灰度化和二值化等预处理操作,以提升图片质量;从预处理后的图像中提取代表果蔬类别的统计纹理特征、小波变换特征和形状特征;采用扩散映射这一特征降维方法,对由统计纹理特征、小波变换特征和形状特征构成的组合特征的冗余信息进行降维处理;运用五种有效的机器学习方法对果蔬种类进行分类。在本研究中,通过实验对所提方法进行了严格验证,结果表明支持向量机(SVM)分类器的果蔬分类准确率达到96.25%,这证明所提方法有助于提高果蔬的质量和管理水平,为农业生产和供应链提供有力支持。
-
利用高光谱成像和带注意力机制的多任务一维卷积神经网络预测枸杞(枸杞子)的化学成分
查看原文2024
LWT
中科院一区JCR一区Huiqiang Hu, Yunlong Mei, Yunpeng Wei, Zhenyu Xu, Yuping Zhao, Huaxing Xu, Xiaobo Mao, & Luqi Huang
食品标签
新鲜水果 品质、结构与理化性质 营养与生物功能 显微与成像技术计算机标签
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱枸杞(Lycium barbarum)的生物活性成分是其营养和商业价值的重要决定因素。在本研究中,我们将高光谱成像技术(HSI)与一维卷积神经网络(1DCNN)结合,用于预测枸杞中化学成分的含量。为了增强模型对相关信息的关注能力,我们引入了通道注意力模块(CAM)、光谱注意力模块(SAM)并将它们融合,这可以分别对卷积核的输出特征进行不同的关注,并自适应地强调更有效的光谱波段。此外,考虑到传统单任务预测方法的局限性以及不同成分之间的固有相关性,我们采用了多任务卷积神经网络,同时预测各种枸杞成分。结果表明,增强注意力机制的1D卷积神经网络(1DCNN)模型优于部分最小二乘回归(PLSR)模型和普通1DCNN模型。通过多任务学习,该模型实现了最佳性能,对三个成分的预测平均R²达到0.9435。我们的研究开发了一种高效且准确的枸杞成分预测方法,为食品行业中果品质量的评估和检测提供了一个有价值、便捷且有效的工具。
-
基于机器学习与光谱特征采集优化的蔷薇科水果品质特性预测研究
查看原文2024
Food Control
中科院一区JCR一区Xuan Liu, Juan Wang, Hao Wang, Yirui Huang & Zhenhui Ren
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类计算机标签
随机森林 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱机器学习算法已被广泛应用于食品与农产品各类品质指标的估算和预测研究中。本研究旨在探究基于机器学习算法的李亚科果实品质预测模型的适用性与准确性。研究选取极端梯度提升(XGBoost)、轻量级梯度提升机(LightGBM)、类别型特征梯度提升(CatBoost)以及随机森林(RF) 四种机器学习算法,分别构建针对桃、杏、樱桃这三种李亚科果实的可溶性固形物含量(SSC)与可滴定酸含量(TA)的预测模型。同时,研究考察了三种高光谱数据去噪方法,并采用两种特征提取技术实现高光谱数据的降维处理;通过融合多种光谱数据,模型的预测精度得到了进一步提升。实验结果表明,以互补光谱数据作为输入时,多层感知机 - 平滑滤波 - 极端梯度提升(MLP-SG-XGBoost)模型在桃和杏的可溶性固形物含量预测任务中表现最优,决定系数(R 2)分别达到 0.9162 与 0.9251;而逻辑回归 - 平滑滤波 - 轻量级梯度提升机(LGR-SG-LightGBM)模型则在桃和杏的可滴定酸含量预测中准确率最高,决定系数(R 2)分别为 0.9193 与 0.9206。上述研究结果表明,所构建的模型能够对李亚科果实的品质指标实现精准预测。