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 2456 条结果
-
结合光学光谱与机器学习改进食品分类
查看原文2021
Food Control
中科院一区JCR一区I. Magnus, M. Virte, H. Thienpont, & L. Smeesters
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据近红外光谱数据常被用于产品的无损鉴别,传统上这类数据的处理多采用多元统计分析技术。然而,这些方法往往仅能覆盖有限的产品变异类型。本研究旨在开发一种新型机器学习算法,该算法整合紫外 - 可见 - 近红外反射光谱与荧光光谱的多源信息,可在产品流中同步实现异物识别、食品安全检测及品质评估。为此,我们构建了一套创新的分级分类模型,通过级联多个独立分类器,实现两类光谱数据的融合分析。此外,为便于工业化应用落地并缩短数据处理时长,我们开展了特征波长筛选,最终将建模所采用的激发与检测波长限定为8 个。本文以核桃仁加工检测为应用案例,对该新型分类算法的性能进行验证。实验表明,最优的分级分类模型结构如下:第一级为基于反射光谱数据的极限学习机(ELM)分类器,第二级为基于荧光光谱数据的支持向量机(SVM)分类器。该模型对合格核桃仁的漏检率(假阴性率)为 5.54%;对干瘪核桃仁的误检率(假阳性率)最高,为 8.34%;而针对异物、霉变等其他所有缺陷样本,正确识别率均超过 98%。综上,该模型的优异性能证实,机器学习方法在多用途食品加工检测场景中具有显著的技术优势。
-
利用傅里叶变换红外光谱分析检测蜂蜜中掺入龙舌兰、玉米、转化糖、枫糖和米糖浆
查看原文2021
Food Control
中科院一区JCR一区Paula Ciursă, Daniela Pauliuc, Florina Dranca, Sorina Ropciuc, & Mircea Oroian
食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据本研究探讨了基于傅里叶变换红外光谱(FTIR)技术鉴别天然蜂蜜与掺假蜂蜜的可行性。研究选取三种天然蜂蜜(菩提蜜、向日葵蜜、洋槐蜜),分别添加龙舌兰糖浆、玉米糖浆、转化糖浆、枫糖浆及大米糖浆进行掺假处理,掺假比例设置为 5%、10% 和 20%。为提升天然蜂蜜与掺假蜂蜜的鉴别准确率,研究人员对傅里叶变换红外光谱数据进行多种光谱预处理,并结合支持向量机(SVM)与偏最小二乘判别分析(PLS-DA)两种模型开展鉴别研究。其中,采用一阶导数光谱结合支持向量机建立的模型鉴别效果最优:校正集:97 份天然蜂蜜样本全部被正确判定;210 份掺假蜂蜜样本也均被准确识别为掺假类别。验证集:48 份天然蜂蜜样本中 39 份被正确判定;104 份掺假蜂蜜样本中 6 份被误判为天然蜂蜜。此外,本研究还利用傅里叶变换红外光谱结合 偏最小二乘回归(PLS-R)模型,实现了对蜂蜜理化指标的定量预测。
-
利用元素谱分析结合化学计量学鉴别太平洋白虾的地理来源
查看原文2021
Food Control
中科院一区JCR一区Cui Han, Li Li, Gong Zhang, Shuanglin Dong & Xiangli Tian
食品标签
甲壳类 矿物质与微量元素计算机标签
机器学习/统计学习 随机森林 K-近邻 分类/鉴别/等级评定凡纳滨对虾(Litopenaeus vannamei)是全球范围内重要的水产养殖品种,而虾类制品产地标注不实的问题日益引发关注,产地溯源因此成为研究重点。本研究从中国南、北方 12 个产地采集凡纳滨对虾样本,旨在建立产地溯源技术方法。为探究饲料对虾体元素组成的影响,研究人员在其中一个采样点选取了 5 家养殖场均使用同一水源、但投喂不同品牌饲料的虾样开展分析。通过检测,共在虾体及饲料中识别出 35 种元素,具体包括铈(Ce)、钕(Nd)、镨(Pr)、钐(Sm)、铕(Eu)、钆(Gd)、铽(Tb)、镝(Dy)、钬(Ho)、铒(Er)、铥(Tm)、镱(Yb)、镥(Lu)、钍(Th)、钇(Y)、铀(U)、锂(Li)、铝(Al)、钒(V)、铬(Cr)、锰(Mn)、铁(Fe)、钴(Co)、镍(Ni)、铜(Cu)、锌(Zn)、镓(Ga)、砷(As)、铷(Rb)、锶(Sr)、银(Ag)、镉(Cd)、铯(Cs)、钡(Ba)及铅(Pb)。分析结果显示,仅虾体中镉(Cd)和铽(Tb)两种元素的含量与饲料呈正相关;此外,中国南、北方虾体样本中存在 24 种元素的含量差异显著,涵盖锂(Li)、铝(Al)、钒(V)、铁(Fe)、砷(As)、铷(Rb)、锶(Sr)、镉(Cd)、铅(Pb)、铈(Ce)、钕(Nd)、镨(Pr)、钐(Sm)、铕(Eu)、钆(Gd)、铽(Tb)、镝(Dy)、钬(Ho)、铒(Er)、铥(Tm)、镱(Yb)、镥(Lu)、钍(Th)及钇(Y)。研究通过逐步判别分析(SDA)筛选出砷(As)、铁(Fe)、铅(Pb)、铷(Rb)、铯(Cs)和铀(U)这 6 种特征元素,构建特征元素数据集(SSDAs 数据集),并与全元素数据集(ATEs 数据集)进行判别效能对比。基于上述两个数据集,分别采用线性判别分析(LDA)、k 近邻算法(KNN)和随机森林(RF)三种分类模型建立凡纳滨对虾产地鉴别模型。结果表明,基于 SSDAs 数据集的随机森林模型判别效能最优,其总体正确判别率达 100%,交叉验证正确率为 98.78%,预测判别率为 100%。综上,元素指纹图谱结合化学计量学建模是一种极具应用前景的凡纳滨对虾产地溯源技术方法。
-
高光谱成像与化学计量学预测猪肉肌内脂肪含量的各向异性效应
查看原文2021
Meat Science
中科院一区JCR一区Christopher T. Kucha, Li Liu, Michael Ngadi & Claude Gariépy
食品标签
畜肉 其他品质相关性质 常规理化指标测定 显微与成像技术 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 智能手机/其他 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据肌肉的纤维结构使其成为一种各向异性的光学材料。因此,光谱信息随肌肉取向的变化而变化。本研究通过使用高光谱成像技术,对猪肉切块进行横向扫描、径向扫描和纵向扫描来获取光谱数据。利用这些信息,通过偏最小二乘回归、支持向量机回归和反向传播人工神经网络建立并比较了肌内脂肪含量预测模型。三种建模算法在猪肉肌内脂肪建模方面表现出同等能力。三种扫描方式的预测模型精度顺序为:横向扫描 ≥ 径向扫描 ≥ 纵向扫描。连续投影算法将波长减少了93%。使用缩减后的波长建立的新模型显示出与原始波长模型相似的精度。本研究表明肌肉取向会影响预测模型的精度。
-
基于数字图像处理的食品质量评估综述
查看原文2021
Trends in Food Science & Technology
中科院一区JCR一区Maninder Meenu, Chinmay Kurade, Bala Chakravarthy Neelapu, Sahil Kalra, Hosahalli S. Ramaswamy & Yong Yu
食品标签
谷物/块根/豆与坚果类 肉类/蛋类与水产品 水果/蔬菜与菌菇类/植物类 饮料 植物油 品质、结构与理化性质 显微与成像技术计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据背景:近年来,信号处理技术和计算能力的进步增加了计算机视觉技术在农业、食品加工、生物医学和军事等不同应用领域的关注度。特别是在农业和食品加工领域,计算机视觉可以替代大多数用于筛选种子、谷物和食品质量的手动方法。
范围与方法:本研究旨在综述计算机视觉技术在预测各种原材料和食品质量方面的最新进展。本综述重点关注利用数字图像处理(DIP)技术对谷物、蔬菜、水果、饮料、肉类、海鲜和食用油进行的质量测定。多项研究报道了DIP技术在食品特征提取、分类和质量预测方面的成功应用。DIP算法用于从图像中提取显著特征,这些特征进一步作为机器学习(ML)算法的输入,以根据不同标准对食品进行分类。深度学习(DL)算法改进了这些特征提取方法。DL算法可以自动提取特征,从而获得更高的准确性。DL算法需要大量的数据管理和计算资源,这可能是一个主要限制。
主要发现与结论:已有大量文献涉及利用计算机视觉算法进行食品质量评估,但它们缺乏商业化应用。目前尚未为此特定目的开发基于安卓的应用程序。配备质量评估功能的用户友好、低成本、便携式设备将有助于实时快速测量食品质量。