类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 291 条结果
-
基于人工神经网络的结构-味觉关系模型对苦味剂和甜味剂的预测
查看原文
2022
Food Research International
中科院一区JCR一区
Weichen Bo, Dongya Qin, Xin Zheng, Yue Wang, Botian Ding, Yinghong Li, & Guizhao Liang
食品标签
特征风味 统计建模与仿真计算机标签
卷积神经网络 分类/鉴别/等级评定 合成/仿真数据为主识别分子的味觉特性对于其在健康食品和药物中的应用拓展至关重要。通过实验识别大量化合物的味觉特性既耗时又耗材。迄今为止，计算方法已成为识别分子味觉的重要技术。在本研究中，基于卷积神经网络（CNN）、多层感知器（MLP）-描述符和MLP-指纹的三种结构-味觉关系模型用于预测苦味/非苦味、甜味剂/非甜味剂以及苦味剂/甜味剂。结果表明，这三种模型在预测苦味/非苦味、甜味剂/非甜味剂以及苦味剂/甜味剂方面各具特色。在苦味剂/非苦味剂、甜味剂/非甜味剂以及苦味剂/甜味剂的预测中，MLP-Fingerprint 模型的预测 AUC 值（分别为 0.94、0.94 和 0.95）高于 MLP-Descriptor 模型（分别为 0.94、0.84 和 0.87）和 CNN 模型（分别为 0.88、0.90 和 0.91）的外部验证结果。MLP-Descriptor 模型显示了所研究分子的明确结构-味觉关系，有助于理解与苦味剂和甜味剂相关的关键性质。CNN 模型仅需简单的二维化学图作为输入，即可实现有利预测的特征自动提取。所获得的模型实现了对苦味剂/非苦味剂、甜味剂/非甜味剂以及苦味剂和甜味剂的准确预测，为生物活性分子和有毒物质的识别提供了重要参考。
-
基于时间域数字图像结合深度学习算法的羊肉掺假检测
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 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 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 中等规模数据集提出了一种基于时间域数字图像结合卷积神经网络的新方法，用于掺假羊肉的判别与分析。研究将195个样品在恒温加热过程（约10分钟）中的图像与CNN结合，进行掺假羊肉的定性判别和定量预测。通过比较加热初期和整个加热过程的模型性能，验证了温度扰动可以提高掺假羊肉检测能力的假设。实验结果表明，整个加热过程的模型性能优于加热初期。定性判别模型的准确率提高了7.33%，鸭肉/猪肉掺假定量预测模型的R2和RPD分别提高了0.08/0.07和0.85/0.87，RMSE分别降低了0.01/0.01。因此，该方法可有效、准确地用于掺假羊肉的检测。
-
使用深度学习对中餐菜肴进行基于图像的营养估算
查看原文
2021
Food Research International
中科院一区JCR一区
Peihua Ma, Chun Pong Lau, Ning Yu, An Li, Ping Liu, Qin Wang, & Jiping Sheng
食品标签
预制菜/即食菜肴 营养与生物功能 显微与成像技术 常量营养素（宏量）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 可见光/RGB/视频数据 超大规模/工业级数据集 公开数据集食品图像识别系统有助于膳食评估，从而跟踪用户的饮食行为。然而，由于中国食品的多样性，快速且准确的食品图像识别是一项特别具有挑战性的任务。深度学习在计算机视觉领域的成功促使我们研究其在该任务中的潜力。为了满足其对大规模数据的需求，我们建立了第一个面向中国菜肴的开放获取图像数据库，命名为ChinaFood-100，并附有定量的营养注释。我们收集了涵盖100类食品的10,074张图像，包括主食、肉类、水产品和蔬菜。基于该数据集，我们训练了四种用于图像识别的最先进的深度学习神经网络架构，并显示出深度学习模型 Inception V3 在识别性能上最具优势，Top-1 准确率为 78.26%，Top-5 准确率为 96.62%。基于该图像识别结果，我们进一步比较了三种用于食品营养估算的算法。结果显示，Top-5 算术平均（AM）算法在蛋白质估算中取得了最高的回归系数（R²）为 0.73，这验证了其在实际中的适用性。此外，我们从精确率-召回率和 Grad-CAM 角度分析了我们的算法。深度学习在食品营养估算中取得的结果可能促使人工智能被应用于食品领域，为未来的改进提供了启示。
-
利用卷积神经网络高效提取深层图像特征在复杂食品基质检测与分析中的应用
查看原文
2021
Trends in Food Science & Technology
中科院一区JCR一区
Yao Liu, Hongbin Pu & Da-Wen Sun
食品标签
谷物/块根/豆与坚果类 肉类/蛋类与水产品 水果/蔬菜与菌菇类/植物类 品质、结构与理化性质 食品安全与风险评估 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 缺陷/异物检测与定位 可见光/RGB/视频数据背景：快速可靠地检测和分析食品质量与安全产品的技术和方法的发展对食品工业具有重要意义。基于手工特征的传统机器学习算法通常由于其对复杂食品特征的表征能力有限而表现不佳。近年来，卷积神经网络作为一种有效且具有潜力的特征提取工具出现，它被认为是深度学习中最流行的架构，并已越来越多地应用于复杂食品基质的检测与分析。
范围与方法：本综述介绍了CNN的结构、基于一维、二维和三维CNN模型的特征提取方法以及多特征聚合方法。讨论了CNN作为深度特征提取器在检测和分析复杂食品基质中的应用，包括肉类和水产品、谷物及谷物制品、水果和蔬菜等。此外，还比较了CNN与其他现有方法的数据来源、模型架构和整体性能，并重点介绍了未来应用CNN进行食品检测与分析的研究趋势。
主要发现与结论：CNN与无损检测技术和计算机视觉系统相结合，在有效和高效检测分析复杂食品基质方面显示出巨大潜力。基于CNN的特征表现出更好的性能，优于手工提取或机器学习算法提取的特征。尽管使用CNN仍然存在一些挑战，但预计未来CNN模型将被部署在移动设备上，用于食品基质的实时检测与分析。 -
使用一维卷积神经网络和随机森林模型的高光谱成像与深度学习在食品中梭状芽孢杆菌孢子的量化
查看原文
2021
Food Research International
中科院一区JCR一区
Aswathi Soni, Mahmoud Al-Sarayreh, Marlon M. Reis, & Gale Brightwell
食品标签
马铃薯 预制菜/即食菜肴 微生物安全 显微与成像技术 微生物计数与生长曲线计算机标签
卷积神经网络 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱梭状芽孢杆菌（Clostridium sporogenes）芽孢被用作肉毒梭状芽孢杆菌（Clostridium botulinum）的替代物，以验证食品工业灭菌方案中的热处理暴露和杀伤效果。常规的芽孢检测方法耗时且劳动强度大。本研究的目标是评估使用高光谱成像（HSI）和深度学习方法的可行性，首先用于识别C. sporogenes芽孢的死芽孢和活芽孢形式，其次用于估算培养基平板和即食土豆泥（食品基质）中芽孢的浓度。C. sporogenes芽孢通过在羊血琼脂（SBA）和平板计数大豆胨琼脂（TSA）平板上涂布或点样接种，以及在土豆泥表面涂布接种。选定区域在547 - 1701 nm光谱范围内的反射率用于主成分分析（PCA）。PCA 成功地区分了死孢子和活孢子，以及在 TSA 和 SBA 培养基上不同水平的接种量（10² 到 10⁶ CFU/ml），但在马铃薯泥（食品基质）上效率不高。因此，使用了深度学习分类框架，即一维卷积神经网络（CNN）和随机森林（RF）模型。CNN 模型的表现优于 RF 模型，在含有和不含死孢子的情况下，孢子定量的准确率分别提高了 4% 和 8%。本研究使用的筛选系统是 HSI 与深度学习建模的结合，当存在和不存在死/失活孢子时，总体准确率分别达到了 90% - 94%。唯一的差异是在预测低接种量样本（<10² CFU/ml）时出现的。总之，很明显，高光谱成像（HSI）结合深度学习方法在检测和量化营养基质以及特定食品基质（土豆泥）中的孢子方面显示出巨大潜力。然而，任何样本中死孢子的存在被推测会影响准确性，因此需要进行重复实验和验证性分析。
