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
-
基于计算机视觉的杨桃成熟度分类的解释与阐释
查看原文2024
Food Research International
中科院一区JCR一区Ingrid Alves de Moraes, Sylvio Barbon Junior & Douglas Fernandes Barbin
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术计算机标签
随机森林 卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据杨桃(又称星果)依据质量参数的分类通常由训练有素的人员评估员通过目视检查进行。这是一种成本高昂且主观的方法,可能导致结果的高变异性。作为替代方案,计算机视觉系统与深度学习技术相结合,已成为业界一种强大且创新的工具,用于水果的快速、非侵入式分类。然而,验证深度学习模型(即“黑箱”)的学习能力和可信度以获取洞察可能具有挑战性。为减少这一差距,我们提出了一种集成的可解释人工智能方法,用于杨桃在不同成熟阶段的分类。我们比较了两种残差神经网络和视觉变换器,以识别由随机森林模型增强的图像区域,目的是在特征层面为成熟度分类提供更详细的信息。分析了整个成熟阶段果实颜色和理化数据的变化,并使用梯度加权类激活映射以及基于随机森林重要性的注意力图评估了这些参数对成熟阶段的影响。所提出的方法可视化和描述了导致模型决策的最重要区域,广泛的视觉化跟随模型来自随机森林的重要特征。我们的方法在标准化和快速杨桃分类方面具有广阔前景,ResNet达到91%的准确率,ViT达到95%的准确率,并具备应用于其他水果的潜力。
-
基于智能音频分析的牛油果质量参数无损估算系统开发
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Francisco J. Becerra-Sanchez, Humberto Pérez-Espinosa & Marco A. Meza-Aguilar
食品标签
新鲜水果 其他品质相关性质 显微与成像技术 其他理化与结构表征计算机标签
智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析墨西哥已成为全球重要的牛油果出口国,这得益于这种备受追捧的水果需求激增。为响应市场需求,在收获和国际运输阶段确保特定的质量参数已变得必不可少。然而,用于评估这些关键质量属性的主要技术往往具有侵入性且耗费人力,导致了巨大的经济损失。在本研究中,我们提出了一种新方法——牛油果检测与分析智能平台(SPAIA),该平台利用智能音频分析技术来无损估算牛油果的关键质量参数。我们的方法包括多方面的流程,涵盖专用采集设备的设计与开发、细致的数据收集以及基于音频的稳健估算和评估模型的构建。因此,我们的研究通过音频信号处理(ASP)技术提出了新的aFI、aFIsum指数,以及通过图像处理技术和智能音频分析(IAA)得到的一种新频谱图。最后,这种无损方法在估算牛油果质量参数(种子重量(SW)、干物质指数(DMI)、成熟度(RS)和均匀成熟度(UR))方面取得了显著成果。最佳回归模型的皮尔逊相关指数达到0.988,而分类模型的准确率为0.960。这些研究结果不仅证明了SPAIA作为一种创新工具的可行性,还凸显了其通过提供一种更高效、更可持续的方式来确保整个生产和分销过程中的水果质量,从而给牛油果产业带来变革的潜力。
-
基于微LDV与共振扬声器的新型声振多域图像视觉转换器(AVMDI-ViT)用于苹果霉心检测
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Zhi Liu, Nan Chen, Dexiang Le, Qingrong Lai, Bin Li, Jian Wu, Yunfeng Song, & Yande Liu
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
其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位霉心病是苹果的一种常见内部病害,感染该病的苹果无法根据其外部特征直接识别。本研究采用一种基于微激光多普勒测振仪(micro-LDV)、共振扬声器和麦克风的新型声振动装置来检测苹果霉心病。将健康苹果和不同程度霉心病苹果的声振动信号转换为声振动多域图像,该图像包括通过连续小波变换生成的时频图像,以及通过格拉米安角场生成时域和频域图像。随后,将声振动多域图像与视觉转换器(ViT)结合应用于水果内部缺陷的识别。结果表明,融合声音和振动信号的模型分类效果优于仅依赖单一声音或振动信号的模型。AVMDI-ViT模型的总体分类准确率达到97.96%。具体而言,识别健康苹果的准确率为100%,识别轻度霉心苹果(≤7%)的准确率为94.74%,识别中度霉心苹果(≥7%且≤15%)的准确率为97.50%,识别重度霉心苹果(≥15%)的准确率为100%。该方法在苹果霉心病识别中表现出很高的准确性,同时在操作简便性、快速性、成本效益和非接触检测方面具有优势。
-
一种基于1D-Inception-ResNet的薄皮多果种光谱定量分析全局检测模型
查看原文2024
Food Control
中科院一区JCR一区Yan Yu, Jipeng Huang, Lianming Wang & Shili Liang
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 碳水化合物与糖类计算机标签
卷积神经网络 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据近红外光谱(NIRS)分析技术因其无损特性,在农产品品质检测中具有重要的研究与应用价值。以卷积神经网络(CNN)为代表的深度学习方法减少了光谱分析对专家经验和先验知识的依赖,能够从原始光谱数据中自动提取有效的特征信息,从而提高模型的预测精度。然而,水果品种的多样性给模型的鲁棒性带来了挑战。本研究提出了一种用于多品种水果光谱定量分析的端到端一维卷积神经网络模型——1D-Inception-ResNet,并在两个理化性质相近的薄皮水果数据集上验证了该模型的有效性。实验结果表明,该模型对可溶性固形物含量(SSC)和干物质(DM)的预测均方根误差(RMSEP)分别为0.48 °Brix和0.60%,预测决定系数(Rp²)分别为0.95和0.89。与传统的偏最小二乘回归(PLSR)方法(Rp²分别为0.86和0.80,RMSEP分别为0.84 °Brix和0.81%)以及极限学习机(ELM)方法(Rp²分别为0.82和0.77,RMSEP分别为0.95 °Brix和0.86%)相比,所提出的1D-Inception-ResNet模型在SSC和DM预测上的RMSEP分别降低了46.1%和28.1%,Rp²则分别提高了13.1%和13.4%。结果表明,相较于其他线性和非线性算法,1D-Inception-ResNet显著提升了建模效果。此外,在使用新样本集进行外部验证时,Inception-ResNet模型对SSC和DM的预测RMSEP分别为0.62 °Brix和1.45%。综上所述,通过采用合适的CNN网络结构构建适用于多种水果的全局模型,不仅拓展了模型的应用范围,也提高了其在不同物种间的预测稳定性,这对未来农产品及食品领域的实际应用具有重要意义。
-
人工智能方法能为椰枣(Phoenix dactylifera L.)的改进与高效采收及采后处理带来什么?综述
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Younes Noutfia & Ewa Ropelewska
食品标签
新鲜水果 保藏与贮藏 品质、结构与理化性质计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 文本/知识库/法规数据椰枣(Phoenix dactylifera L.)以其基因型的多样性而闻名,这些基因型在形状、颜色、质地、味道以及其他物理感官属性和生化成分方面均存在差异。这种多样性在农场规模以及处理、加工和储存设施中带来了复杂、漫长且繁琐的工作,旨在生产符合消费者偏好和需求的标准化、均质化最终产品。为了缓解这一问题,近年来人工智能(AI)技术和计算机视觉技术的应用呈现出日益增长的重要性和特定趋势,因为它们被认为是准确、客观、非破坏性、快速且高效的新兴技术。在此背景下,本文全面阐述了AI技术和计算机视觉在椰枣采收及采后评估中的关键应用,这些应用基于(例如)卷积神经网络和人工神经网络等分类模型和算法。因此,本文讨论了AI领域中椰枣数据集的重要性,并链接了椰枣领域所有可访问的数据集。此外,本文通过五个章节详细介绍了应用于椰枣采后的可用相关AI工具和方法,涵盖从成熟度区分到贮藏,以及其他关键处理操作如分选、分级等。总而言之,本综述表明这些智能技术可以在改善整个椰枣产业价值链方面发挥重要作用并提供新的机遇。