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
-
基于高光谱成像的多任务卷积神经网络同步监测冻融猪肉脂质和蛋白质氧化损伤
查看原文2023
Meat Science
中科院一区JCR一区Jiehong Cheng, Jun Sun, Kunshan Yao, Min Xu & Chuning Dai
食品标签
畜肉 氧化、褐变等化学变化 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 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据 中等规模数据集脂质和蛋白质氧化是冷冻过程中肉品变质的主要原因。传统的高光谱成像方法需要训练多个独立模型来预测多个属性,这复杂且耗时。本研究针对240个经过不同冻融循环(0-9次)处理的猪肉样品的可见近红外高光谱数据,开发了一个多任务卷积神经网络模型,以评估同时监测猪肉脂质氧化(硫代巴比妥酸反应物含量)和蛋白质氧化(羰基含量)的可行性。与基于预处理(标准正态变量、Savitzky-Golay导数、Savitzky-Golay平滑)和特征选择(回归系数)的常用偏最小二乘回归模型以及单输出CNN模型的性能进行了比较。结果表明,多任务CNN模型对脂质氧化(R²p=0.9724,RMSEP=0.0227,RPD=5.2579)和蛋白质氧化(R²p=0.9602,RMSEP=0.0702,RPD=4.6668)的预测精度最优。最终,成功实现了不同冻融循环下猪肉脂质和蛋白质氧化变化的可视化。综上所述,高光谱成像与多任务CNN方法的结合显示了端到端预测猪肉氧化损伤的潜力。该研究为食品工业中肉类质量检测提供了一种新的、便捷的自动化技术。
-
基于高光谱成像技术与不同深度卷积神经网络的轻微发芽小麦籽粒识别
查看原文2023
Food Control
中科院一区JCR一区Jingwu Zhu, Hao Li, Zhenhong Rao, & Haiyan Ji
食品标签
小麦 品质、结构与理化性质 光谱/色谱/质谱等分析方法计算机标签
深度学习 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱发芽小麦籽粒会对小麦粉、面包等各类小麦制品的品质产生显著影响,但此类籽粒(尤其是轻度发芽籽粒)难以通过人工肉眼识别。本研究采用高光谱成像技术,结合深度学习算法,开展轻度发芽小麦籽粒与正常小麦籽粒的分类鉴别研究。研究首先对随机摆放的小麦籽粒高光谱图像,采用多种常用预处理方法进行数据优化。随后,构建一维、二维、三维及混合型四种深度卷积神经网络(CNN)模型,将其作为分类器,基于光谱或高光谱数据实现两类小麦籽粒的鉴别。研究进一步对训练集数据实施数据增强处理,并重新训练所构建的二维、三维及混合型卷积神经网络模型,将验证集上的模型性能与数据增强前的结果展开对比分析。实验结果表明,数据增强处理对二维、三维及混合型卷积神经网络模型的性能提升具有积极作用;所构建的四款模型在轻度发芽与正常小麦籽粒分类任务中均表现优异,在测试集上的分类准确率分别为:一维卷积神经网络模型 96.81%、二维卷积神经网络模型 96.02%、三维卷积神经网络模型 98.40%、混合型卷积神经网络模型 98.12%。研究结论显示,本研究所提出的模型(尤其是分类准确率最高的三维卷积神经网络模型,以及可训练参数最少的混合型卷积神经网络模型)具备良好的应用前景,可作为鉴别发芽与正常小麦籽粒的有效分类工具。
-
高光谱成像结合卷积神经网络准确检测大西洋鲑鱼掺假
查看原文2023
Food Control
中科院一区JCR一区Peng Li, Shuqi Tang, Shenghui Chen, Xingguo Tian, & Nan Zhong
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
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱大西洋鲑鱼市场掺假现象频发,且此类掺假难以甚至无法通过目视检测识别。本研究旨在探究两套高光谱成像(HSI)系统在快速精准检测大西洋鲑鱼糜掺假行为中的应用潜力,其中一套系统覆盖可见 - 近红外波段(VNIR,397~1003 nm),另一套覆盖短波近红外波段(SWIR,935~1720 nm)。研究人员人工制备了涵盖 11 个掺假水平的样品(掺假比例按质量分数计为 0~100%,梯度间隔为 10%)。实验采用 4 种光谱预处理方法与 5 种特征波长筛选算法,结合卷积神经网络(CNN)构建定量模型,以实现对鲑鱼糜掺假水平的预测。通过对比两套高光谱成像系统的预测性能,筛选出最优光谱检测波段。分析结果显示,基于可见 - 近红外波段(VNIR)数据构建的模型,预测效果始终优于短波近红外波段(SWIR)模型。其中,标准正态变量变换 - 卷积神经网络组合模型(SNV-CNN)在 VNIR 波段的预测性能最优,模型平均预测决定系数(Rp2)达 0.9885,预测均方根误差(RMSEP)为 3.3526,残差预测值(RPD)为 9.6882;而短波近红外波段(SWIR)表现最佳的模型为标准正态变量变换 - 变量组合集群分析 - 迭代保留信息变量法 - 卷积神经网络组合模型(SNV-VCPA-IRIV-CNN),其平均Rp2为 0.9839、RMSEP 为 3.9926、RPD 为 8.0251。此外,研究利用最优模型成功实现了掺假成分在样品中分布特征的可视化表征。综上,本研究证实,高光谱成像技术结合卷积神经网络是实现大西洋鲑鱼糜掺假快速、无损、精准检测的有效方案;相较于短波近红外高光谱成像系统(SWIR-HSI),可见 - 近红外高光谱成像系统(VNIR-HSI)兼具成本低廉与预测性能更优的优势,是更为合理的检测波段选择。
-
基于Au-Ag的OHCs传感器结合深度学习CNN算法,用于定量茶叶中的thiram和吡美托肼
查看原文2023
Food Chemistry
中科院一区JCR一区Huanhuan Li, Xiaofeng Luo, Suleiman A. Haruna, Muhammad Zareef, Quansheng Chen, Zhen Ding & Yiyong Yan
食品标签
茶/茶饮料 化学污染物 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品中的农药残留检测已变得愈发重要。本文构建了一种将表面增强拉曼散射(SERS)与智能算法相结合的方法,用于茶叶中农药残留的快速、灵敏检测。以八面体氧化亚铜为模板制备出金-银八面体空心笼(Au-Ag OHCs),该材料凭借粗糙边缘与中空内部结构增强了表面等离子体效应,实现了农药分子拉曼信号的放大。随后,将卷积神经网络(CNN)、偏最小二乘法(PLS)与极限学习机(ELM)算法应用于福美双和吡蚜酮的定量预测。其中卷积神经网络算法对福美双和吡蚜酮的检测效果最优,相关系数分别为0.995、0.977,检出限分别达0.286ppb、29ppb。在茶叶样品检测中,该新建方法与高效液相色谱法(HPLC)的检测结果无显著差异(P>0.05)。综上,所建立的基于金-银八面体空心笼的表面增强拉曼散射技术可用于茶叶中福美双与吡蚜酮的定量检测。
-
基于深度学习算法的比色微针传感器用于肉类新鲜度监测
查看原文2023
Chemical Engineering Journal
中科院一区JCR一区Jie Wang, Linlin Xia, Han Liu, Chong Zhao, Siyu Ming & Jingyi Wu
食品标签
肉类/蛋类与水产品 货架期预测与品质劣变动力学 过程监测与在线检测 常规理化指标测定 花青素与类胡萝卜素计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据目前,已开发的肉类新鲜度检测方法存在耗时长、操作不便或专业要求高等局限性。本研究提出了一种基于深度学习算法的比色微针传感器(CMS),用于可视化监测肉类新鲜度。该传感器通过模塑含有pH响应型花青素的可食用水凝胶制成,其颜色变化源于花青素结构随pH值改变而产生的变化。当附着于肉类表面时,CMS能够穿透肉质并依靠毛细作用提取组织液。随着肉类腐败进程的推进,组织液的pH值逐渐升高,导致比色传感器(CMS)显色由粉红转变为紫色,最终呈现深蓝色。因此,通过解析CMS颜色变化规律,实现了肉类新鲜度的原位可视化检测。研究进一步采用深度学习算法,将CMS系统与智能手机应用程序(App)集成,使新鲜度检测更为便捷精准。通过采集不同新鲜度肉品表面附着的CMS图像作为训练数据源,并将其作为卷积神经网络(CNN)的输入层。通过卷积CMS颜色特征,最终输出将肉类新鲜度分类为"新鲜"、"次新鲜"和"变质"三个等级。该应用程序通过整合CNN技术,使用户能够以快速、准确、便携且通用的方式,从存储照片或实时拍摄的CMS标签肉类图像中识别新鲜度。这种结合算法集成应用程序的CMS可视化检测策略,在食品安全、健康监测和环境保护等广泛领域具有巨大的应用潜力。