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
-
基于二维相关光谱和深度学习的高质量麦卢卡蜂蜜中廉价蜂蜜掺假的定量分析
查看原文2023
Food Control
中科院一区JCR一区Xijun Wu, Baoran Xu, Hao Luo, Renqi Ma, Zherui Du, Xin Zhang, Hailong Liu, & Yungang Zhang
食品标签
蜂蜜等天然糖 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
深度学习 偏最小二乘法 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据 红外/拉曼光谱数据在高价值蜂蜜中掺入廉价蜂蜜的行为,不仅会危害消费者健康,其检测工作也具有较大挑战性。本研究提出一种快速、无损且经济高效的光谱检测策略,该策略基于拉曼光谱的二维相关光谱(2D-COS)技术,结合多种深度学习方法,实现蜂蜜掺假的定量检测。研究采集了麦卢卡蜂蜜、洋槐蜂蜜及多花种蜂蜜的 700 条拉曼光谱,并据此生成对应的同步二维相关光谱、异步二维相关光谱及积分相关光谱。通过 t 分布随机邻域嵌入算法(t-SNE)与偏最小二乘回归算法(PLSR),对同一样品的一维拉曼光谱数据与二维相关光谱图像数据集进行对比分析,结果表明二维相关光谱技术能够凸显样品的复杂指纹特征,进而提升光谱表征能力。对比不同建模方案后发现,同步二维相关光谱结合深度残差收缩网络(DRSN)的模型性能最优:其对麦卢卡蜂蜜掺假定量预测的均方根误差(RMSEP)为 3.1166,对洋槐蜂蜜掺假定量预测的均方根误差为 2.3188。该光谱检测方法的优异性能,足以实现对廉价蜂蜜掺假行为的精准定量。本研究为蜂蜜掺假检测提供了一种新型技术方案,有助于高价值蜂蜜产品的真伪鉴别。
-
利用卷积神经网络通过显微图像早期检测面包霉菌
查看原文2023
Current Research in Food Science
中科院一区JCR一区Panisa Treepong & Nawanol Theera-Ampornpunt
食品标签
面包 微生物安全 显微与成像技术计算机标签
卷积神经网络 迁移学习/领域自适应 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据面包上的霉菌在生长初期很难用肉眼辨别。消费者依靠视觉检查和保质期来检测面包变质,这些方法并不精确。现有的微生物污染检测方法,如显微镜检查和高光谱成像,并不适合消费者使用。本文提出了一种新的面包霉菌早期检测方法,即通过夹式镜头拍摄显微图像。这些低成本镜头与智能手机配合使用,可拍摄50倍放大倍数的面包图像。利用最先进的卷积神经网络(CNN)结合迁移学习,对显微图像进行自动分类。我们广泛比较了图像预处理方法、CNN模型和数据增强方法,以确定在分类 accuracy 方面最佳的配置。表现最佳的模型达到了近乎完美的。
-
基于小样本FT-MIR数据集的机器学习和深度学习用于绒盖牛肝菌的细粒度采样点识别
查看原文2023
Food Research International
中科院一区JCR一区Jian-E Dong, Jieqing Li, Honggao Liu & Yuan-Zhong Wang
食品标签
食用菌菇 食品安全与风险评估 化学污染物 光谱/色谱/质谱等分析方法计算机标签
支持向量机 随机森林 K-近邻 梯度提升决策树 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据本研究提出了结合镉含量和环境因素识别绒盖牛肝菌采样点的必要性。基于一阶导数、二阶导数、多元散射校正、标准正态变量和Savitzky-Golay平滑预处理的傅里叶变换中红外光谱数据,构建了五种机器学习算法(朴素贝叶斯、决策树、K最近邻、随机森林、支持向量机)和三种梯度提升机算法(XGBoost、LightGBM、CatBoost)。为避免复杂的预处理,我们构建了BoletusResnet模型,首次提出了3DCOS、3DCOS投影图像、索引图像(在2DCOS之外)的概念,并将其与深度学习相结合用于分类。结果表明,梯度提升机的准确率高于传统机器学习,深度学习的准确率优于梯度提升机。本文提出的四种深度学习模型基于小样本实现了细粒度采样点识别,准确率达到100%,并在此基础上开发了一套计算机应用系统。因此,光谱图像处理结合深度学习是一种快速高效的分类方法,可广泛应用于食品鉴别领域。
-
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 模型轻量化/边缘计算 特征工程与选择策略 分类/鉴别/等级评定 可见光/RGB/视频数据 超大规模/工业级数据集肉类掺假影响消费者和市场。现有的肉类认证方法通常依赖特殊设备,因此仅限于专业使用。在一些中国火锅餐厅中,出现了用鸭肉和脂肪制成的假羊肉或牛肉片。本研究提出了一种消费者可操作的方法来检测此类掺假。该方法将单张图像作为输入,并利用肉片的纹理特征进行认证。该认证快速且无损。所需设备仅为一台带摄像头的手机。为此任务构建了一个轻量级(因此高效)的卷积神经网络架构,名为MTx-Net。使用了四个块中的十四个卷积层来提取有效的视觉特征。神经网络中采用了残差、深度可分离卷积、丢弃法和批归一化等技术。为了训练和测试神经网络,使用了225公斤肉类收集了77956张肉片图像。该方法对羊肉和牛肉片认证的准确率分别达到99.38%和98.20%。
-
利用高光谱成像技术对鸡蛋进行实时缺陷与新鲜度检测
查看原文2023
Food Control
中科院一区JCR一区Shih-Yu Chen, Shih-Hsun Hsu, Chih-Yi Ko, & Kai-Hsun Hsu
食品标签
蛋类及其制品 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
深度学习 卷积神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱鸡蛋既是烹饪常用原料,也是一类常见农产品。其富含油脂、蛋白质、维生素等多种营养成分,对人体健康有益。但在清洗和分选工序前后,蛋壳表面残留污物或出现破损等问题,均会影响鸡蛋品质。传统鸡蛋缺陷检测以人工方式为主,该方式不仅劳动强度大,还易因人员疲劳产生检测误差,导致产品质量参差不齐。本研究从工厂生产线与消费者双重视角出发,研发了鸡蛋高光谱缺陷检测技术(HEDIT)与鸡蛋高光谱新鲜度检测技术(HEFIT)。上述两种技术将特征波段筛选方法与深度神经网络(DNN)、一维卷积神经网络(1D-CNN)、二维卷积神经网络(2D-CNN)、三维卷积神经网络(3D-CNN)及轻量化网络 MobileNet 相结合,基于高光谱成像技术(HSI)实现鸡蛋品质的实时检测。实验中,研究人员共测试 1000 枚新鲜鸡蛋样品与 800 枚缺陷鸡蛋样品。结果显示,所提方法对鸡蛋新鲜度的检测总准确率达 99%,对缺陷鸡蛋的检测总准确率达 100%;在缺陷检测任务中,单枚鸡蛋检测耗时仅 31 毫秒,且检测总准确率仍保持在 95%,实现了检测精度与分选效率的兼顾。本研究结果可为智能化鸡蛋生产的后续应用与商业化落地提供技术支撑。