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 91 条结果
-
通过深度学习算法和可解释人工智能对海鲷Sparus aurata的品质预测
查看原文2025
Food Chemistry
中科院一区JCR一区İsmail Yüksel Genç, Remzi Gürfıdan & Tuncay Yiğit
食品标签
鱼肉 颜色与外观品质计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据本研究利用卷积神经网络(CNN)、密集网络121(DenseNet121)、Inception V3以及残差网络50(ResNet50)机器学习算法,通过鲷鱼眼部和鳃部图像,探究冷藏条件下鲷鱼的品质变化规律。研究将鲷鱼新鲜度划分为新鲜、中度变质和完全变质三个等级。模型预测准确率最高可达100%,变质等级的最低预测准确率为98.42%。研究采用可解释人工智能(XAI)算法(梯度加权类激活映射Grad-CAM、局部可解释模型无关解释LIME)对所得结果进行分析。研究结论表明,结合Grad-CAM与LIME算法构建的卷积神经网络和DenseNet121模型,可作为一种无损检测方法,用于判定冷藏环境下鲷鱼的新鲜度。
-
利用高光谱成像和数据融合策略对橄榄比目鱼鱼片的新鲜度评估
查看原文2025
LWT
中科院一区JCR一区Jong-Jin Park, Hoon Kim, Jeong-Seok Cho, Seul-Ki Park, Gyuseok Lee, Kee-Jai Park, & Jeong-Ho Lim
食品标签
鱼肉 货架期预测与品质劣变动力学 常规理化指标测定 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 多模态/融合数据 高光谱/多光谱光谱我们旨在评估在改良气氛包装下、分别存储于5、10、15和20°C的橄榄比目鱼(Paralichthys olivaceus)鱼片的新鲜度。我们测量了微生物计数、游离碱总量、颜色和游离氨基酸,并根据质量参数将样品分为三类新鲜度(新鲜、可接受和变质)。在可见光和近红外(VNIR)以及短波红外(SWIR)范围内获取高光谱图像,并应用支持向量机模型进行无损的新鲜度分类。由单一光谱开发的模型取得了86.2%(VNIR)和75.9%(SWIR)的准确率。为了提高预测性能,通过低级融合(LLF)和结合凝聚聚类(AC)的中级融合(MLF)将两种光谱范围进行了融合。结合低层特征(LLF)和多层特征(MLF)的分类模型优于单光谱模型。值得注意的是,MLF2在LLF数据集上应用自适应校正(AC)后,实现了94.8%的准确率,同时仅使用了整体波长范围的28%。这些结果表明,适当融合互补的光谱信息可以为评估鱼类产品的新鲜度提供一种高效且可靠的方法。
-
基于化学计量学分析和数据融合策略筛选用于鉴别淡水和海水养殖鲑科鱼类的特征变量
查看原文2025
Food Chemistry
中科院一区JCR一区Ziyang Zheng, Cui Han, Xuan Dong, Yangeng Zhou, Xiangli Tian, Qinfeng Zhao & Li Li
食品标签
鱼肉 光谱/色谱/质谱等分析方法计算机标签
支持向量机 特征工程与选择策略 分类/鉴别/等级评定 多模态/融合数据 小规模数据集选择能够区分淡水养殖和海水养殖鲑科鱼类的特征变量,对于建立可靠的溯源方法至关重要。本研究中,鲑科鱼类在三种不同的盐度变化模式下养殖了94天。对它们的稳定同位素、元素和磷脂脂肪酸进行了表征。不同变量对盐度变化表现出不同的敏感性。通过各种数据融合策略对这些数据进行整合,创建了五个数据集,分别包含40、12、12、9和7个变量。将这五个数据集与支持向量机(SVM)、随机森林(RF)、线性判别分析(LDA)和正交偏最小二乘判别分析(OPLS-DA)相结合,对来自不同养殖方式的86条鲑科鱼类进行区分。使用SVM和数据集IV获得了100%的满意判别率。该数据集包含的9个变量(δ2H、δ18O、Sr、C18:0、ΣSFA、C20:3n3、C22:6n3、C18:2n6和ΣPUFA)是区分淡水养殖和海水养殖鲑科鱼类的潜在指标。
-
通过智能包装、胶片成像和色谱特征的多模态深度融合,实现鲑鱼鲜度的无损检测
查看原文2025
Food Packaging and Shelf Life
中科院一区JCR一区Haibo Xu, Jingru Chang, Mingyang Sun, Jialing Li, Haitao Wang, Yuanda Sun, Wentao Su & Xiaoyang He
食品标签
鱼肉 货架期预测与品质劣变动力学 智能/指示型包装 包装系统中的监测与标签应用 常规理化指标测定计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 多模态/融合数据水产品的快速腐败需要高效、无损的鲜度检测方法。本研究提出了一种通过嵌入单宁酸-Fe2+络合物作为颜料制备的柔性荧光光学传感器阵列,以监测鲑鱼腐败过程中与总挥发性盐基氮(TVB-N)相关的pH值和颜色变化。利用传感器阵列的智能手机图像训练了一个融合视觉与颜色特征的双模态深度学习模型。我们提出了iCFreshNet,这是一个基于EfficientNet-B0的多模态框架,它将双通道特征提取器与改进的标量门控融合及轻量级门控融合一致性相结合,以增强特征的鲁棒性和协同性。在对比实验中,iCFreshNet在本地计算环境中实现了毫秒级的推理延迟,测试准确率达到99.0%,优于ResNet50、CLIP和微调的大模型。训练后的模型能出色地区分颜色线索,并能泛化到不同的样本,展现了在食品安全应用中用于智能包装和实时鲜度监测的强大潜力。
-
绿原酸对金鲳鱼肌原纤维蛋白的保鲜作用:结合人工神经网络与分子模拟
查看原文2025
Food Chemistry
中科院一区JCR一区Ning Yang, Shitong Wen, Zizhe An, Jun Yang, Longteng Zhang, Qian Li, Chuan Li & Lulu Zhu
食品标签
鱼肉 品质、结构与理化性质 统计建模与仿真 蛋白质与氨基酸计算机标签
智能手机/其他 定量预测/回归分析绿原酸(CGA)被用于维持冷藏金鲳鱼片的肌原纤维蛋白(MP)品质。2 g/L的绿原酸处理组表现优于对照组,其Ca²⁺-ATP酶活性更高(0.57μmol/h/mg蛋白质),盐溶性蛋白质含量更高(86.76 mg/g),同时羰基(7.85 nmol/mg蛋白质)、双酪氨酸(745.33 A.U.)和二硫键(2.99 mol/10⁶g蛋白质)等氧化标志物含量更低。肌原纤维蛋白抗氧化能力的增强可能与绿原酸引起的肌球蛋白构象、溶剂可及表面积、分子间氢键数量以及分子间相互作用的变化有关。具有16个隐藏层神经元的人工神经网络(ANN)模型在预测肌原纤维蛋白品质变化时,表现出较高的决定系数(R²训练=0.9990)和较低的均方误差(MSE训练=0.0074),且所有相对误差均在3%以内。总体而言,绿原酸处理能显著抑制冷藏过程中肌原纤维蛋白的氧化和变性,且这些效果可通过人工神经网络进行预测。