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 291 条结果
-
基于数据级融合和深度残差网络的热成像和CCD成像协同应用检测羊肉掺假
查看原文2023
Meat Science
中科院一区JCR一区Shichang Wang, Rongguang Zhu, Zhongtao Huang, Minchong Zheng, Xuedong Yao & Xunpeng Jiang
食品标签
畜肉 食品安全与风险评估 颜色与外观品质 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据为提高单一热成像和单一CCD成像检测未知掺假肉样品的性能,将这两种成像技术与深度残差网络协同应用于羊肉掺假检测。考虑到空间和细节信息在提高稳定性和准确性方面的重要性,提出了三种数据级融合方法,即彩色图像拼接、灰度图像拼接和灰度通道堆叠,用于热图像和CCD图像的融合。基于融合图像进一步建立了分类和预测模型。结果表明,采用彩色图像拼接的模型性能最佳。对于外部验证集,最佳分类模型区分五个类别的准确率为99.30%。在预测猪肉掺假比例方面,最佳预测模型的R^2、RMSE、RPD和RER分别为0.9717、0.0238、7.8696和21.28。预测鸭肉掺假比例的最佳模型R^2为0.9616,RMSE为0.0277,RPD为5.1015,RER为14.44。因此,热成像和CCD成像的协同应用可为检测羊肉掺假及其他食品质量提供一种新颖且有前景的工具。
-
利用深度神经网络对辣椒类电化学数据进行完全无损分析,使得便携式系统成为可能
查看原文2023
Food Chemistry
中科院一区JCR一区Zheng Xing, Ying Jiang, Daniel Zogona, Ting Wu & Xiaoyun Xu
食品标签
其他添加剂与配料计算机标签
卷积神经网络 定量预测/回归分析 时序传感器/物联网数据电化学方法已被广泛应用于食品及其他分析物中化学信息的检测。然而,现有的电化学方法仅局限于关注吸收峰,忽略了大量隐藏的化学指纹信息。因此,电化学传感器在检测由多种原料混合、组分存在重叠的样品时,检测能力受到极大限制。本文假设可利用差分传感器数据结合人工智能技术,实现对目标物质的有效识别与检测。本研究构建了一种由五支金属电极组成的新型信号阵列,并采用卷积神经网络模型进行特征提取,以实现炖煮食品中辣椒素类物质的检测。实验结果表明,该方法对独立卤水样本的预测效果良好,均方根误差为5.407。这为混合分析物多维电化学数据的无损检测分析提供了一种极具应用前景的思路与实用方法。
-
基于卷积神经网络的蔬菜泡菜存储期间品质评价
查看原文2023
Food Research International
中科院一区JCR一区Jie Du, Min Zhang, Xiuxiu Teng, Yuchuan Wang, Chung Lim Law, Dongcui Fang & Kun Liu
食品标签
蔬菜发酵制品 品质、结构与理化性质 颜色与外观品质 特征风味 常规理化指标测定 显微与成像技术 多酚与黄酮计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据蔬菜泡菜是一种传统发酵食品。由于储存过程中发生的氧化反应,其在不同时期的品质和风味会发生变化。本研究利用物理化学参数结合电子鼻技术,分析了13组不同储存时间的蔬菜泡菜样品的品质评价和风味特征。采集了各时期样品的照片,并建立了卷积神经网络(CNN)框架。总酚氧化分解与风味化合物之间呈线性负相关。通过主成分分析和费雪判别分析,可将储存期间的蔬菜泡菜分为三类(完全可接受期、可接受期和不可接受期)。基于分类结果对CNN参数进行了微调,其输出结果能够反映样品的品质变化和风味特征,并具有良好的拟合和预测能力。模型经过50轮训练后,训练集、验证集和测试集三组数据的准确率分别为94%、85%和93%。此外,CNN识别不同品质泡菜的准确率达到95.30%。证明卷积神经网络在预测四川泡菜品质方面具有优异性能和高可靠性。
-
通过集成学习增强的Inception-v4 CNN对藏红花进行分级和掺假检测
查看原文2023
Food Control
中科院一区JCR一区Mohammad Momeny, Ali Asghar Neshat, Ahmad Jahanbakhshi, Majid Mahmoudi, Yiannis Ampatzidis, & Petia Radeva
食品标签
香精香料 食品安全与风险评估 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/视频数据藏红花是食品工业中颇负盛名的香辛料产品,受经济利益驱使,其掺假现象时有发生。近年来,机器视觉系统作为一种新型、无损且低成本的检测手段,已被广泛应用于食品与农产品的品质管控领域。本研究搭建一套基于深度学习的机器视觉系统,用于藏红花的品质分级与掺假鉴别。研究构建了包含 1869 张图像的数据集,并将其划分为 6 个类别,具体包括:烘干处理的藏红花柱头、压榨处理的藏红花柱头、纯藏红花花柱、向日葵花丝、染色藏红花花柱以及染色玉米须。针对智能手机拍摄的藏红花图像,研究团队开发出一种融合数据增广学习策略的 Inception-v4 卷积神经网络(LAII-v4 CNN),以实现藏红花的分级与掺假检测。为解决模型过拟合问题,研究人员向图像中添加高斯噪声、斑点噪声与脉冲噪声,并通过所提 LAII-v4 CNN 筛选出最优数据增广策略。同时,将该模型与常规卷积神经网络方法及传统分类器展开性能对比;传统分类器的建模流程为:先通过方向梯度直方图(HOG)与局部二值模式(LBP)提取图像特征,再经主成分分析(PCA)筛选特征,最后结合袋装决策树集成、提升决策树集成、k 近邻算法、随机欠采样提升树及支持向量机完成分类。实验结果表明,引入批量归一化、随机失活(Dropout)与带泄露修正线性单元(Leaky ReLU)机制的LAII-v4 CNN 模型性能最优,分类准确率高达 99.5%。
-
通过激光诱导击穿光谱和拉曼光谱结合机器学习方法快速鉴定鱼类物种
查看原文2023
Food Chemistry
中科院一区JCR一区Lihui Ren, Ye Tian, Xiaoying Yang, Qi Wang, Leshan Wang, Xin Geng, Kaiqiang Wang, Zengfeng Du, Ying Li & Hong Lin
食品标签
鱼肉 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
支持向量机 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据 多模态/融合数据鱼类真伪快速鉴别与掺假检测的市场需求日益增长。本研究首次将激光诱导击穿光谱(LIBS)与拉曼光谱技术相结合,用于鱼类物种识别。选取支持向量机(SVM)和卷积神经网络(CNN)两种机器学习算法,基于13种鱼类的激光诱导击穿光谱与拉曼光谱数据构建分类模型。采用低层融合、中层融合与高层融合三种数据融合策略,对两类光谱数据进行融合处理。研究结果表明:相较于单独使用激光诱导击穿光谱数据或拉曼光谱数据,各类数据融合策略均能显著提升鱼类分类效果;且卷积神经网络模型的性能优于支持向量机模型。其中,低层融合卷积神经网络模型取得了98.2%的最优分类准确率,而引入特征筛选的中层融合方案不仅提升了运算效率,还增强了卷积神经网络模型的可解释性。