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 X 射线影像和深度迁移学习检测 'Conference' 梨苹果蠹蛾损伤
查看原文2026
Food Control
中科院一区JCR一区Jiaqi He, Tim Belien, Ammar Alhmedi, Ann Schenk, Dany Bylemans, Pieter Verboven, & Bart Nicolai
食品标签
新鲜水果 品质、结构与理化性质 标准/法规/数据库分析计算机标签
卷积神经网络 图像分割网络 缺陷/异物检测与定位 可见光/RGB/视频数据 合成/仿真数据为主害虫侵染的早期检测对于保障采后水果品质并满足出口标准十分重要。本研究利用无损 X 射线影像,探讨深度迁移学习在检测 'Conference' 梨中苹果蠹蛾幼虫损伤方面的应用。数据来自多个生长季中受控实验室侵染和田间侵染样品,并通过放射影像仿真框架进行增强。研究评估了 ResNet50、DenseNet121 和 InceptionV3 三种卷积神经网络,在特征提取、部分微调和全量微调三种迁移学习策略下的表现,并比较 ImageNet、RadImageNet 预训练权重和随机初始化的影响。同时,研究构建了传统机器学习基线方法,将自适应阈值分割和手工特征与支持向量机、K 近邻和逻辑回归结合用于对照。结果表明,迁移学习策略对模型性能影响最大,其中全量微调获得最高准确率;预训练权重,尤其是 ImageNet 权重,相比随机初始化能稳定提升性能。在使用 ImageNet 预训练权重并进行全量微调时,不同模型架构之间的差异变小。表现最佳的 ResNet50 + ImageNet 权重 + 全量微调配置在内部测试集上达到 91-97% 的准确率,相比基准方法在准确率、精确率和召回率方面提高约 20%。在独立测试集上,模型仍保持稳健表现,并较基准方法提高约 10%。Guided Grad-CAM 热图确认深度学习模型能够正确定位侵染区域,支持了模型的可解释性和可靠性。这些发现表明,深度迁移学习可用于准确且可解释地检测梨果内部虫害损伤,并支持在采后质量控制流程中部署自动化 X 射线检测系统。
-
SpecColorNet:用于预测多个梨品种可溶性固形物含量的可解释多模态深度学习方法
查看原文2026
Artificial Intelligence in Agriculture
中科院一区JCR一区Xin Xu, Mengfei Yang, Jie Yang, Hao Yin, Yanyu Chen, Weijie Lan, Guoxiang Sun, Xiaochan Wang, Shaoling Zhang, & Xiaolei Zhang
食品标签
新鲜水果 品质、结构与理化性质 颜色与外观品质 常规理化指标测定 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
深度学习 模型可解释性 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据 质构/流变/感官数据可见光/近红外光谱为评价梨(Pyrus pyrifolia Nakai)的可溶性固形物含量(SSC)提供了一种无损方法。然而,不同梨品种之间的差异,特别是果皮颜色差异,会显著影响光谱反射率,从而限制SSC模型的跨品种预测能力。为解决这一问题,本研究开发了SpecColorNet,这是一种融合光谱数据与果皮颜色数据的多模态深度学习框架,可同时准确预测六个不同梨品种的SSC,并利用梯度加权类激活映射++(Grad-CAM++)解释其决策机制。与仅使用光谱数据的多品种模型相比,多品种SpecColorNet的预测准确率提高了9.42%;六个梨品种对应的预测均方根误差(RMSEP)分别为0.63、0.60、0.92、0.70、0.54和0.55 °Brix。此外,SpecColorNet的预测准确率与分别针对单一品种建立的光谱模型相当。解释性分析表明,SpecColorNet能够将模型注意力有效集中于555–640 nm光谱区域,该区域也是不同品种间差异最显著的波段,从而提高了模型的泛化能力和预测准确性。总体而言,本研究提出了一种面向多个梨品种的稳健SSC预测方法,克服了品种多样性和果皮颜色变化造成的困难,使多品种模型比纯光谱模型具有更强的稳健性。
-
基于近红外光谱校正的包装库尔勒香梨内部品质创新检测方法
查看原文2026
LWT
中科院一区JCR一区Quan Xu, Hong Zhang, Hong Zhang, Shengkun Dong, Haonan Xue, Jingchi Guo, Haipeng Lan, & Yang Liu
食品标签
新鲜水果 品质、结构与理化性质 包装与智能监测 光谱/色谱/质谱等分析方法 碳水化合物与糖类计算机标签
深度学习 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据在库尔勒香梨分级过程中,测量内部品质时必须去除包装,这一低效过程严重降低了检测效率。因此,在包装状态下实现品质的高效无损检测是解决该问题的关键。本研究分别将全连接神经网络与 Gaussian Filtering、Savitzky-Golay 和 Simple Moving Average Filter 结合,用于校正包装香梨的光谱数据。同时,基于校正后的光谱数据,构建了三种用于预测多产地库尔勒香梨可溶性固形物含量和硬度的模型:偏最小二乘回归、支持向量回归和 Lasso。结果表明,FCNN-GF 校正方法表现最佳,PLSR 具有最佳预测性能。PPs-FCNN-GF-PLSR 对 SSC 和 FI 的预测结果分别为 R2_pre(0.84、0.78)、RMSE_pre(0.449%、0.379 N)和 RPD(2.48、2.16),接近未包装香梨的预测水平。在外部独立验证中,SSC 和 FI 的预测结果分别为 R2(0.83、0.75)、RMSE(0.276%、0.252 N)和 RPD(2.30、1.89)。本研究实现了包装状态下香梨品质指标的高效检测,对简化库尔勒香梨品质分级流程和提升经济效益具有重要实践价值。
-
基于高光谱成像和可解释 AI 的可信芒果品质无损预测
查看原文2026
Food Control
中科院一区JCR一区Haizhen Ding, Jingyuan Zhao, Wensi Wang, Rui Ding, Yonghuan Yun, Yande Liu, Kang Tu, Weijie Lan, & Leiqing Pan
食品标签
新鲜水果 颜色与外观品质 保藏与贮藏 显微与成像技术 传统统计分析与回归 碳水化合物与糖类计算机标签
支持向量机 随机森林 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据芒果属于呼吸跃变型水果,因贮藏不当每年会产生大量损失。本研究将可解释人工智能与高光谱成像结合,用于高效判别和可视化芒果成熟度及关键内部品质属性,包括可溶性固形物、滴定酸和硬度。结果表明,在果皮出现明显变色之前,内部属性已经发生显著变化,因此仅依赖外观评估成熟度并不可靠。研究根据贮藏期间的品质变化将芒果分为三个成熟阶段,结合 SNV 预处理的支持向量机分类模型可实现 100% 的阶段判别准确率。对于内部属性预测,使用原始光谱的随机森林模型表现最佳,硬度、SSC 和 TA 的 Rp2、RMSEP 和 RPD 分别为 0.946、2.515、4.311;0.793、0.609、2.209;0.825、0.172、2.411。XAI 进一步识别出 940-960 nm 和 1697-1784 nm 区域对所有属性预测均具有关键重要性,强调糖中 C-H 键、水中 O-H 键以及 TA 中羧基的重要作用。基于最优预测模型生成的内部属性可视化图能够有效捕捉不同成熟阶段和果实区域中属性分布的空间差异。这些发现表明,高光谱成像有助于评估芒果内部状态,而 XAI 可提高化学计量模型的透明度和可靠性,从而帮助向消费者提供更高品质产品。
-
基于高光谱成像和深度学习技术的草莓果实早期碰伤自动检测
查看原文2026
Postharvest Biology and Technology
中科院一区JCR一区Chanjun Sun, Lei Zhang, Lixiang Zhai, Tingting Shen, Jianrong Cai, Xiaobo Zou, & Zhiming Guo
食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 显微与成像技术计算机标签
深度学习 偏最小二乘法 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据草莓因其感官品质而受到消费者喜爱。然而,其组织结构柔嫩,在采后处理过程中容易发生机械损伤(如碰伤)。这些不明显的损伤会在运输和贮藏过程中加速微生物感染和腐败。因此,早期无损检测碰伤对于商品草莓品质保障至关重要。本研究探讨了利用高光谱成像快速检测草莓早期碰伤的可行性。首先建立基于全波长(460-1030 nm)的偏最小二乘-线性判别分析(PLS-LDA)模型用于草莓碰伤判别,准确率达到 99.21%。为提高检测效率,分别通过 RGB、子窗口置换分析(SPA)和随机蛙算法(RF)各选择 3 个特征波长。基于 SPA 和 RF 特征波长的模型获得了与全波长模型相当的性能。随后,研究基于特征波长合成图像,利用 YOLOv5 模型实现碰伤位置自动识别,F1 分数超过 93.03%。结果表明,高光谱成像结合特征波长是快速检测早期碰伤的有效工具,YOLOv5 模型能够实现草莓碰伤区域的自动识别。