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
-
基于量子点与金纳米颗粒的智能手机辅助比率型FRET适体传感器用于谷物中玉米赤霉烯酮的即时检测
查看原文2024
Food Control
中科院一区JCR一区Lianjun Song, Meijun Lu, Puye Liang, Tiange Li, Xianqing Huang, Yan Ma, Libin Wan & Tianlin Wang
食品标签
谷物/块根/豆与坚果类 食品安全与风险评估 包装与智能监测 化学污染物 光谱/色谱/质谱等分析方法计算机标签
定量预测/回归分析 可见光/RGB/视频数据本文构建了一种比率型荧光适配体传感器,用于玉米赤霉烯酮(ZEN)的检测,该传感器的作用机制基于荧光共振能量转移(FRET) 原理,以适配体修饰的碲化镉量子点(CdTe QDs)作为能量供体,金纳米颗粒(AuNPs)作为能量受体。在该体系中,碲化镉量子点的荧光会因金纳米颗粒的荧光共振能量转移作用而发生淬灭,同时以具有蓝色荧光的硅量子点(Si QDs)作为荧光参比。当体系中存在玉米赤霉烯酮时,适配体修饰的碲化镉量子点会与玉米赤霉烯酮发生特异性结合,致使能量供体与受体之间的距离增大,荧光共振能量转移过程随即被阻断,碲化镉量子点的荧光也随之恢复。实验结果显示,该适配体传感器对玉米赤霉烯酮的检测限低至 3.5 pg/mL,线性检测范围为 0.01~100 ng/mL。此外,研究人员将该传感器与智能手机相集成,搭建了一套便携式检测装置,用于玉米赤霉烯酮的即时检测(POCT),并取得了理想的检测效果。这一技术为谷物中玉米赤霉烯酮的可视化即时检测提供了极具前景的应用方向。
-
基于RGB-D视觉与机器学习的不同形态泡菜白菜质量与体积估计
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Hae-Il Yang, Sung-Gi Min, Ji-Hee Yang, Jong-Bang Eun & Young-Bae Chung
食品标签
其他果蔬制品/植物类 颜色与外观品质 其他品质相关性质 显微与成像技术计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据本研究介绍了一种定制的基于RGB-D的机器视觉系统,该系统旨在准确估算整个朝鲜泡菜 cabbage(WC)和纵向切割的朝鲜泡菜 cabbage(LCC)的质量和体积。鉴于朝鲜泡菜 cabbage(KC)在亚洲和西方饮食中都占据关键地位,对其收获后的质量和体积进行准确评估对于质量控制、分拣和定价至关重要。传统的人工测量和视觉估算既费力又不准确。我们的研究利用RGB-D数据来优化机器学习模型,并加强对2D、3D和比色特征的提取与分析,以实现更可靠的估算方法。结果表明,整合3D和比色特征显著提高了估算精度,在LCC的质量估算方面取得了显著成功(R² = 0.913,性能偏差比(RPD)= 3.38),并且对两种cabbage的体积预测都很稳健(R² > 0.90,RPD > 3)。然而,研究也发现了一些挑战,例如在LCC中可能过度排除外层叶片,以及需要更先进的WC质量估算技术。未来的工作将集中在改进特征提取方法和评估各种成像环境上,以提高不同形态KC的质量和体积预测精度。
-
基于纸基比色聚二乙炔传感器阵列的现场智能手机乙醇含量检测
查看原文2024
Chemical Engineering Journal
中科院一区JCR一区Dong-En Wang, Changhan Yan, Sirui Bai, Yaping Zhang, Wenjing Huo, Kaiting Ning, Lei Zhao, Hui Yang & Huiyun Xu
食品标签
酒精饮料 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
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 可见光/RGB/视频数据制药、食品及燃料工业中乙醇消耗量的加速增长,直观地推动了对简便、便携、可靠且经济的乙醇含量监测方法的研发。本研究以咪唑及其衍生物修饰的四种二乙炔(DA)单体为原料,制备了纸基聚二乙炔(PDA)传感阵列。通过喷墨印刷技术将四种单体衍生的DA墨水直接涂覆于A4纸面,经紫外辐照转化为具有高稳定性和均匀性的PDA材料。印刷制备的聚二乙炔(PDA)传感器在接触有机溶剂和水时表现出溶剂诱导的不可逆颜色转变。通过集成多种比色响应,该传感器可产生独特的颜色变化模式,能够区分包括乙醇和水在内的11种不同溶剂。这种基于模式识别的传感性能进一步推动了点阵式传感器阵列的研发,该阵列通过多传感元件的协同作用,可针对0至100%宽动态范围内的不同乙醇浓度生成具有显著差异的比色图谱。结合RGB值雷达图与主成分分析(PCA),该传感器阵列还展现出卓越的乙醇浓度区分能力(5%-100%)。通过该创新方法,不同乙醇含量的商业白酒样品或含不同比例乙醇的燃料费均可通过肉眼观察和PCA得分图实现快速区分鉴定。为进一步提升实用性,本研究开发并集成了一款智能手机应用程序与PDA传感器阵列,可对真实酒样中的乙醇含量进行高精度实时读数。基于该传感系统具备的简易性、便携性和可靠性,本研究为乙醇含量的现场检测提供了一种前景广阔的方法,在质量控制、食品安全检测及消费者权益保护等领域具有广泛的应用潜力。
-
鱼类切割研究新进展:从切割方案到自动化技术与物联网创新
查看原文2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Qing Li, Huawei Ma, Weiqing Min, Yang Wang, Ran Zhao, Yongjie Zhou, Yuqing Tan, Yongkang Luo & Hui Hong
食品标签
鱼肉 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术计算机标签
机器学习/统计学习 深度学习 缺陷/异物检测与定位 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据鱼类切割产品因其不同部位独特的营养成分和风味而广受消费者喜爱。然而,由于工作环境恶劣、工作量大以及具有季节性,鱼类切割行业面临着劳动力短缺的问题。因此,需要一些自动化、高效且大规模的切割技术来克服这些挑战。随着工业4.0的发展,物联网(IoT)、人工智能、大数据和区块链技术正逐步应用于切割过程中,在数字化生产监控和产品安全提升方面发挥着关键作用。本文综述聚焦于主要的鱼类切割方案,并深入探讨先进的自动切割技术,展示最新的技术进展以及它们如何给鱼类切割行业带来变革。此外,还讨论了基于物联网的鱼类切割过程生产监控架构。鱼类切割涉及多种方案,这些方案是根据每种鱼块的特定特征量身定制的。切割过程包括去头、去尾、切片、去骨、去皮、修整和骨头检测。通过整合传感器、机器视觉、深度学习和先进的切割工具,这些技术正将鱼类切割从人工操作转变为自动化流程。这种转变对该行业具有重要的实际意义,不仅提高了效率、保证了产品质量的一致性,还增强了安全性,最终在工业4.0的背景下为鱼类切割自动化提供了一种现代化的制造方法。
-
YOLOv8-MDN-Tiny:一种用于采后黄金百香果多尺度病害检测的轻量级模型
查看原文2024
Postharvest Biology and Technology
中科院一区JCR一区Dengjie Chen, Fan Lin, Caihua Lu, JunWei Zhuang, Hongjie Su, Dehui Zhang & Jincheng He
食品标签
新鲜水果 颜色与外观品质 其他安全问题 显微与成像技术计算机标签
目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据百香果是一种具有重要商业价值的水果作物,易感染炭疽病和疮痂病,导致其经济价值下降。然而,目前百香果的品质分级主要依靠人工评估,主观性强、效率低且准确性差。对采后百香果进行智能分类至关重要,其中表皮病害是评定果实品质的关键因素。针对传统深度学习模型多尺度检测能力弱、精度低等缺点,本研究提出YOLOv8-MDN-Tiny模型以提升百香果小尺度病害检测能力。用自制的MFSO结构替换主干网络层,以扩展小目标信息的特征像素并丰富其特征表达。提出改进的DyRep模块,实现不同尺度和深度的病害特征交互融合。引入NWD损失函数以精确度量两个边界框的重叠程度。最后,利用Slimming剪枝和CWD技术对模型进行压缩。与YOLOv8s相比,改进后的轻量级模型能更精准地定位百香果小目标。具体而言,mAP50提升2.2%至94.8%,精确率和召回率分别提高1.5%和6.0%。同时,模型参数量和内存占用分别减少90.1%和88.9%。该研究结果为采后百香果病害检测及其品质实时分级提供了技术支持。