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 393 条结果
-
不同人工神经网络对经不同预处理和微波干燥组合处理的香蕉切片的识别性能
查看原文2024
Food Control
中科院一区JCR一区Necati Çetin, Ewa Ropelewska, Younes Noutfia, & Seda Günaydın
食品标签
新鲜水果 品质、结构与理化性质 物理辅助加工 理化与结构表征 显微与成像技术计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集本研究旨在评估功率为 100 W、200 W、300 W 的微波干燥处理,对未预处理及经5% 抗坏血酸溶液、5% 柠檬酸溶液、5% 阿拉伯树胶溶液、超声波预处理的香芽蕉(华蕉)切片品质的影响。研究采用数码单镜反光(DSLR)相机对香蕉切片进行成像,对获取的图像进行处理以提取纹理参数。基于从包含不同颜色通道下 2172 幅图像纹理的大型数据集里筛选出的图像纹理参数,本研究利用人工神经网络构建了分类模型。实验选用了宽神经网络、双层神经网络、中型神经网络,以及三类函数型分类器 ——径向基函数(RBF)网络、多层感知器、加权结构判别分析读取器(WiSARD)。针对预处理方式与微波干燥功率组合形成的 15 类香蕉切片样本,基于多层感知器构建的模型分类平均准确率最高可达 97.2%。多数模型的测试结果显示,未经预处理、200 W 微波干燥的香蕉样本分类正确率最高。本研究表明,采用图像处理结合人工智能技术,可实现对预处理 - 微波干燥香蕉切片品质的客观、无损、准确且稳健的评估。
-
基于深度学习的方法用于猪骨骼肌肌纤维的完全自动分割和定量分析
查看原文2024
Meat Science
中科院一区JCR一区Yao Zekai, Wo Jingjie, Zheng Enqin, Yang Jie, Li Hao, Li Xinxin, Li Jianhao, Luo Yizhi, Wang Ting, Fan Zhenfei, Zhan Yuexin, Yang Yingshan, Wu Zhenfang, Yin Ling & Meng Fanming
食品标签
畜肉 质构与流变性质 微观结构与成像 显微与成像技术计算机标签
图像分割网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据肌纤维特性对猪肉品质有显著影响,其中横截面积(CSA)是与各种肉质指标(如剪切力)密切相关的关键参数。有效地识别和分割肌纤维是确定CSA的重要初始步骤。这一步骤非常复杂且耗时,需要一种准确且自动化的分析方法。现有方法的一个局限性是它们倾向于在完整健康肌纤维的高信噪比图像上表现良好,但未在具有显著形态变化(如冰晶存在)的更复杂图像数据集上进行验证。在本研究中,我们采用一种名为SOLOv2的深度学习架构,对经肌球蛋白腺苷三磷酸酶(mATPase)活性染色的肌纤维显微图像进行全自动分割。我们的目标是有效地获得肌纤维大小和分布的准确测量。在实际图像上的测试表明,我们的方法能够熟练地处理复杂的肌纤维分割任务,产生可用于统计分析的定量结果,并显示出与手动分析相当的可靠性。
-
基于深度图像处理技术的沙棘果实水分含量可视化分析
查看原文2024
Food Chemistry
中科院一区JCR一区Yu Xu, Xuhai Yang, Junyi Zhang, Xiang Zhou, Liwei Luo, & Qian Zhang
食品标签
新鲜水果 其他品质相关性质 碳水化合物与糖类计算机标签
深度学习 循环神经网络 定量预测/回归分析 可见光/RGB/视频数据研究了干燥过程中含水量变化对沙棘外观的影响。利用计算机视觉方法和多种图像处理方法,收集和分析沙棘果实干燥过程中的图像。沙棘在65°C温度和1级风速条件下的烘干炉中干燥。每30分钟采集一次整个干燥过程的图像。通过多种图像处理方法进行深度挖掘和图像信息转换。通过校准和建模颜色成分,实现了沙棘果实含水量的实时在线检测。建模后,本文尝试利用长短期记忆(LSTM)预测具有超临界含水量的沙棘果实的外观。不同农产品适应不同的色彩空间,但在经过一定数据的标准建模后,应用颜色成分检测含水量是非常好的方法。
-
利用人脸阅读测量口腔加工行为及其与产品感知的关系
查看原文2024
Food Quality and Preference
中科院一区JCR一区Aikaterini Katsikari, Mads Erling Pedersen, Ingunn Berget, & Paula Varela
食品标签
面包 感官科学与消费者研究 问卷/市场与消费者研究 显微与成像技术计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据 文本/知识库/法规数据 中等规模数据集食物的质地会影响感官感知和进食行为;通过诱导更高的预期饱腹感和饱足感,可以对其进行调控,从而影响摄入量,并最终减少过度进食。本研究的目的是评估面部解读作为对具有不同质地改良的产品的口腔处理行为的自动测量方法,旨在减少摄入量。使用了三种具有不同质地特性的燕麦面包作为案例研究。一个经过培训的小组使用“感觉时间支配”来描述面包的动态感官特征,并同时进行视频录制;视频由 FaceReader 进行分析(摄入量、咀嚼动作、咀嚼时间)。通过面部解读提取的参数显示,不同面包在咀嚼时间的持续时间和咀嚼动作的数量方面存在显著差异,这些结果可以与 TDS 结果一起解释。对这些面包进行了消费者测试(样本数为 135),参与者评估了整体喜好、预期饱腹感和饱足感,并回答了一个包括感官和非感官属性的“选择所有适用项”问题。结果表明,这些样本在喜好度、预期饱腹感和实际饱腹感方面存在显著差异,并且消费者在 CATA 问卷中的描述与专家小组的描述一致。综合这些结果有助于确定能够增强饱腹感和饱腹预期的动态质地特性。本文讨论了方法上的相关意义。该研究的独特之处在于,通过面部阅读的自动口腔处理行为测量,可以与自我报告的饱腹感显性测量相联系,从而为更大规模的研究开辟了道路,而这些研究若采用手动标注则难以实现。
-
基于计算机视觉和深度学习的秋月梨缺陷检测方法
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Baoya Wang, Jin Hua, Lianming Xia, Fangyuan Lu, Xia Sun, Yemin Guo & Dianbin Su
食品标签
新鲜水果 颜色与外观品质 显微与成像技术计算机标签
目标检测网络 缺陷/异物检测与定位 可见光/RGB/视频数据为了快速且准确地检测秋月梨(Pyrus pyrifolia Nakai)采后的缺陷,本研究旨在开发一种基于计算机视觉和深度学习模型的秋月梨缺陷检测方法。该方法主要包括利用图像采集系统获取高质量图像,以及提出一种新的YOLO-AP检测模型来识别秋月梨的缺陷。该模型以YOLOv5为主要架构,通过将Ghost模块中的标准卷积替换为动态卷积得到GhostDynamicConv(GDC)模块;将Neck部分C3中的Bottleneck模块替换为GDC模块,得到C3-GhostDynamicConv(C3-GDC)模块,在简化网络的同时提高了模型的精度。同时,在C3-GDC之后引入瓶颈注意力模块(BAM),以优化中间特征。此外,将原始的边界框损失函数替换为Wise-IoUV3(WIoUV3),以加快模型收敛。结果表明,YOLO-AP在秋月梨缺陷检测中表现更优,其mAP@0.5为0.939,召回率为0.921,检测速度为454.5 fps(每张图像2.2毫秒)。这些数值相较于基准模型分别提升了4.2%、3.5%和1.4%。将YOLO-AP与更新后的YOLOv9及其他检测模型进行比较,YOLO-AP的精度更高、速度更快。这些研究结果表明,所提出的方法能够实时、高效且准确地检测秋月梨的缺陷,为采后缺陷检测提供了技术支持。