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
-
基于比色试纸和深度卷积神经网络的食品中亚硝酸盐现场分析长期稳定、高精度可视化检测平台
查看原文2022
Food Chemistry
中科院一区JCR一区Zhao-Jing Huang, Jia-yi Luo, Feng-Ying Zheng, Shun-Xing Li, Feng-Jiao Liu, Lu-Xiu Lin, Yong-Jun Huang, Shan Man, Gong-Xun Cao & Xu-Guang Huang
食品标签
化学污染物 显微与成像技术计算机标签
卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据亚硝酸盐是日常食品中常见的致癌物之一。依据 食品法典委员会(CAC) 与我国相关标准要求,实现亚硝酸盐简便、快速、低成本、现场化检测对食品安全管控具有重要意义。本研究以 聚丙烯腈(PAN)与薄层硅胶(SG)为载体,以对氨基苯磺酸(SA) 与盐酸萘乙二胺(NEH)为显色剂,制备了一种名为 PAN-NSS 的亚硝酸盐可视化传感试纸。通过层层叠加的 PAN 膜对 SA 与 NEH 进行固定与保护,试纸有效期从 7 天延长至 30 天以上;静电纺丝工艺保障了 PAN-NSS 制备的重现性。将 PAN-NSS 试纸与 深度卷积神经网络(DCNN) 及移动端应用程序(APP)相结合,构建可视化检测平台,该平台具备快速采样、数据处理与传输、结果直观反馈等功能,为现场检测提供了一套全集成式检测系统。
-
我的食物安全吗?基于AI对含痕量麸质或坚果的扁豆粉样品进行分类
查看原文2022
Food Chemistry
中科院一区JCR一区Sandra Pradana-López, Ana M. Pérez-Calabuig, Laura Otero, John C. Cancilla & José S. Torrecilla
食品标签
豆类与坚果(及籽类) 过敏原与毒性问题 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集本文提出一种基于人工智能、可用于实时快速检测掺假扁豆粉的分析方法。研究采用基于卷积神经网络与迁移学习(ResNet34)构建数学模型并完成训练,用于识别含有痕量小麦(麸质)或开心果(坚果)的扁豆粉样品,分别为两类高危人群(乳糜泻患者与坚果过敏人群)提供检测支持。该技术依托普通单反相机拍摄的照片进行图像分析,进而按照掺假物种类与添加量(最高至 50 ppm)完成分组判别。针对两种掺假物分别训练独立算法,每个神经网络均使用2200 张图像进行训练。采用独立盲测集(采集图像的 10%,初始随机划分)评估模型性能,结果表现优异:含开心果粉末的扁豆粉样品正确分类率达 99.1%,含小麦粉的样品分类准确率为96.4%。
-
使用高光谱图像结合递归图和卷积神经网络对新鲜和冻融掺假羊肉末进行掺假鉴别与分析
查看原文2022
Meat Science
中科院一区JCR一区Yaoxin Zhang, Minchong Zheng, Rongguang Zhu & Rong Ma
食品标签
畜肉 食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集本文提出了一种利用光谱变换递归图结合卷积神经网络检测掺假羊肉的方法。为此,准备了100个掺入不同比例(0.5%、1%、2%、5%和10% w/w)猪肉的羊肉掺假样本和20个纯羊肉样本。该方法建立的掺假羊肉分类模型和猪肉含量定量预测模型在新鲜、冻融和混合数据集上的结果具有可比性。结果显示,掺假羊肉在三个数据集上的分类准确率分别为100.00%、100.00%和99.95%。此外,对于掺假羊肉中猪肉含量的预测,新鲜、冻融和混合样本三个数据集的R2分别为0.9762、0.9807和0.9479。因此,本文提出的高光谱结合RP-CNN方法在掺假羊肉的分类和掺假羊肉中猪肉含量的预测方面显示出巨大潜力。
-
基于拉曼光谱和一维卷积神经网络对玉米-橄榄混合油的定量分析
查看原文2022
Food Chemistry
中科院一区JCR一区Xijun Wu, Shibo Gao, Yudong Niu, Zhilei Zhao, Renqi Ma, Baoran Xu, Hailong Liu & Yungang Zhang
食品标签
植物油 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 红外/拉曼光谱数据调和植物油是植物油市场中的重要产品,对高价值植物油进行定量检测,对于维护消费者合法权益具有重要意义。本研究基于拉曼光谱,建立了 一维卷积神经网络(1D CNN) 定量识别模型,用于测定玉米 - 橄榄油调和油中橄榄油的添加量。结果表明,基于 315 张扩展平均拉曼光谱构建的 1D CNN 模型可实现橄榄油含量的定量检测,其 预测集决定系数(Rp2)和预测集均方根误差(RMSEP) 分别为 0.9908、0.7183。与偏最小二乘回归(PLSR)、支持向量回归(SVR)相比,该模型指标虽非最优,但为植物油定量识别提供了一种新的分析方法。
-
胚芽方向对Vis-NIR高光谱成像检测玉米籽粒真菌污染的影响:基于PLS-DA、ANN和1D-CNN模型的分析
查看原文2022
Food Control
中科院一区JCR一区Shekh Mukhtar Mansuri, Subir Kumar Chakraborty, Naveen Kumar Mahanti, & R. Pandiselvam
食品标签
玉米 微生物安全 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 分类/鉴别/等级评定 高光谱/多光谱光谱玉米在收获前与收获后的真菌污染现象普遍且严重。高光谱成像(HSI)作为一种主流无损检测技术,可有效识别玉米粒的真菌污染情况,且适用于在线检测场景,已获得广泛认可。本研究通过设计对照实验,旨在探究偏最小二乘判别分析(PLS-DA)、人工神经网络(ANN)及一维卷积神经网络(1D-CNN)三种模型的检测效能,分析其在玉米粒胚部相对高光谱成像相机镜头不同朝向(光谱范围 398–1003 nm)条件下,对玉米粒真菌污染的预测能力。实验将玉米粒分为两组 —— 无菌组(G1)和黑曲霉污染组(G2),每组各 100 粒;并分别设置胚部朝上(GU)、胚部朝下(GD)、胚部随机摆放(GR) 三种放置方式采集像素级光谱数据集,基于上述数据集完成三种模型的训练。结果显示,从错误率指标来看,胚部朝上放置时模型预测性能最优,其中一维卷积神经网络模型的错误率最低,仅为 1.31%;其次为胚部随机摆放组,最优模型为人工神经网络,错误率 1.65%;胚部朝下组表现最差,最优模型同样为人工神经网络,错误率 1.95%。在模型训练集与测试集数据分布不一致的情况下,胚部随机摆放组的平均错误率最低:偏最小二乘判别分析、人工神经网络、一维卷积神经网络模型的平均错误率分别为 5.71%、4.94% 和 3.15%。本研究结果证实,高光谱成像技术结合适宜的分类模型,并对玉米粒胚部朝向进行合理设置,可实现污染籽粒与健康籽粒的精准分选。