类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 291 条结果
-
ProTformer：基于 Transformer 的近红外反射光谱模型用于高效预测扁豆（Lablab purpureus L.）蛋白质含量
查看原文
2024
Food Research International
中科院一区JCR一区
Naseeb Singh, Simardeep Kaur, T. Mithraa, Veerendra Kumar Verma, Amit Kumar, Vinod Choudhary & Rakesh Bhardwaj
食品标签
豆类与坚果（及籽类） 其他品质相关性质 基本营养价值评价 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据扁豆（Lablab purpureus L.）因其较高的蛋白质含量而闻名，为减少对动物蛋白的依赖和支持可持续农业提供了有前景的替代方案。如今，整合了近红外反射光谱（NIRS）的卷积神经网络（CNNs）在营养分析方面已超越传统方法。然而，一种称为Transformer的先进技术，尽管潜力巨大，但在预测作物关键品质性状方面仍未得到充分探索。因此，在本研究中，我们旨在利用基于Transformer的模型（命名为ProTformer）结合NIRS来预测扁豆的蛋白质含量。采用杜马斯燃烧法测定了112个扁豆基因型的蛋白质含量。将该模型的性能与一维CNN和基于改进偏最小二乘法（MPLS）的模型进行了比较。这些模型使用决定系数（RSQ）、残差预测偏差（RPD）、偏差和校正预测标准误差（SEP(CI)）进行评估。我们的研究结果表明，基于Transformer的模型达到了最高的预测准确度（RSQ = 0.977, RPD = 13.92），其RPD值分别比一维CNN（RSQ = 0.956, RPD = 11.33）和MPLS（RSQ = 0.943, RPD = 10.53）模型高出22.86%和32.21%。Transformer模型中存在的多头自注意力机制使其能够同时关注不同的光谱区域，从而产生卓越的预测性能。这项研究表明了将Transformer模型与NIRS结合用于营养分析的潜力，可有效扩展到其他作物，用于快速筛选全球种质库中的大量种质资源。
-
基于比色传感器阵列结合卷积神经网络近红外光谱技术检测小麦中的玉米赤霉烯酮
查看原文
2024
Food Chemistry: X
中科院一区JCR一区
Yongqin Zhao, Jihong Deng, Quansheng Chen & Hui Jiang
食品标签
小麦 微生物安全 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 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据 中等规模数据集小麦是一种至关重要的全球性谷类作物，但其易受霉菌毒素污染的特性可能使其无法使用。本研究探索了将两种新型无损检测方法与卷积神经网络（CNN）相结合，用于识别小麦中的玉米赤霉烯酮（ZEN）污染。首先，使用由六种选定的卟啉基材料组成的比色传感器阵列捕捉小麦样品的嗅觉特征。随后，对反应后的比色传感器阵列进行近红外光谱特征表征。然后，基于这些数据提出了CNN定量分析模型，同时建立了传统机器学习模型，即偏最小二乘回归（PLSR）和支持向量机回归（SVR），以作比较。结果表明，CNN模型具有更优异的预测性能，其预测均方根误差（RMSEP）为40.92μg·kg⁻¹，预测决定系数（R²）为0.91。这些结果证实了将比色传感器阵列与近红外光谱相结合在评估小麦及潜在其他谷物安全性方面的潜力。此外，CNN能够自主学习并从光谱数据中提取特征，为进一步的光谱分析提供可能，使其成为一种具有前瞻性的光谱分析工具。
-
通过分析淀粉颗粒形态的神经网络实现面粉类型的自动验证以确保“加利西亚面包”原产地保护标志
查看原文
2024
Food Control
中科院一区JCR一区
Xosé R. Fdez-Vidal, Nerea Fernández-Canto, María Ángeles Romero-Rodríguez, Ana María Ramos-Cabrer, Santiago Pereira-Lorenzo, & Matilde Lombardero-Fernández
食品标签
碳水化合物配料 品质、结构与理化性质 显微与成像技术计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据面粉的质量管控是保障其制成品面包品质的关键环节。本研究提出一种基于淀粉颗粒形态特征的面粉质量控制方法。对于致力于生产 “加利西亚面包” 这一受保护地理标志（PGI）产品的生产商而言，利用显微图像实现面粉中各类谷物淀粉颗粒的自动化识别、分割及平均粒径测定，是一项不可或缺的核心工序。若由专业技术人员人工完成此项识别与计数工作，不仅过程繁琐，还需耗费大量时间。因此，实现该任务的自动化，除大幅节省时间成本外，更可显著提升整体工艺流程的效率。本文首次采用深度学习方法（掩码区域卷积神经网络，Mask R-CNN），开展淀粉颗粒的种类判定及粒径预测研究。研究人员使用此前人工识别计数时所用的原始偏振光显微图像，对训练完成的模型进行性能验证。本研究分析的数据集包含 1308 张分辨率为 2564×1924 像素的显微图像，图像中标注了两种小麦的 17000 个淀粉颗粒 —— 分别为卡斯蒂利亚商用小麦粉（0 类）和加利西亚本土小麦粉 “卡阿韦罗”（1 类），且两类样本的数量大致相当。基于 Mask R-CNN 的实例分割模型（模型 Ⅱ）在未知图像检测中表现出良好性能：其分类总体准确率约为 88.6%，淀粉颗粒面积的测定结果与专业人员人工估算值的偏差小于 4%。Mask R-CNN 模型所实现的检测效果，与专业人员人工分析结果呈现高度相关性，充分验证了本研究提出方法的实际应用价值。
-
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。
