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 339 条结果
-
使用图像处理和人工神经网络诊断苹果果实病害
查看原文
2023
Food Control
中科院一区JCR一区
Hossein Azgomi, Fatemeh Roshannia Haredasht, & Mohammad Reza Safari Motlagh
食品标签
新鲜水果 食品安全与风险评估 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/视频数据果农通常缺乏对各类苹果病害的诊断与防治知识。尽管部分苹果病害会表现出可视化症状，可通过人工肉眼识别，但这种诊断方式耗时费力，且会增加果农的成本投入。针对这一问题，一种可行的解决方案是利用图像处理技术开发自动化病害诊断系统。本研究提出一种低成本的苹果病害诊断方法，该方法基于神经网络模型，可将果实划分为四种类别，即黑星病果、苦腐病果、黑腐病果及健康果实。研究以果实的颜色与纹理特征作为模型输入变量，构建多层感知器神经网络，并将预设的病害类别作为模型输出结果。实验选取 60% 的图像样本用于神经网络训练，剩余样本留作模型测试集；同时，研究人员通过调整单层与双层神经网络的结构，对所提方法的诊断准确率进行评估。结果表明，采用双层神经网络结构（第一层与第二层各设置 8 个神经元）时，模型诊断准确率达到最优，为 73.7%。
-
通过改进的肽组学技术探索新型血管紧张素转换酶抑制肽：深度学习策略能否成为肽结构与功能预测的核心突破？
查看原文
2023
Food Research International
中科院一区JCR一区
Wei Jia, Jian Peng, Yan Zhang, Jiying Zhu, Xin Qiang, Rong Zhang & Lin Shi
食品标签
乳及乳制品 营养与生物功能 血糖、血脂与代谢相关功能 组学与高通量技术 蛋白质与氨基酸计算机标签
深度学习 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 组学数据乳源血管紧张素转换酶抑制肽（ANGICon-EIPs）被认为是一种对高血压患者相对安全的辅助饮食治疗策略，短链肽因其能被肠道直接吸收而可能具有更相关的降压益处。我们前期的探索已证实内源性山羊乳短链肽也是ANGICon-EIPs的重要来源。然而，由于当前内源性肽提取和富集技术的限制，对内源性ANGICon-EIPs的探索仍然有限。本综述概述了改进的预处理策略、数据获取方法以及肽结构和功能预测工具，旨在为发现新型ANGICon-EIPs提供创新思路。目前，基于深度学习的肽结构和功能预测算法已取得显著进展。卷积神经网络（CNN）和基于肽序列的生物活性肽多功能性（MLBP）多标签深度学习方法可以预测多种肽功能，其绝对真值和准确度分别为0.699和0.708。利用肽序列输入、扭转角和残基间距离来训练神经网络，APPTEST预测的肽（5-40个氨基酸单位）结构的平均骨架均方根偏差值低至1.96 Å。总体而言，随着更多神经网络架构的探索，深度学习可以被视为一种关键的研究工具，可降低发现新型内源性ANGICon-EIPs的成本并提高其效率。
-
一种检测掺有奶酪乳清的牛奶的机器学习提案方法
查看原文
2022
Journal of Dairy Science
中科院一区JCR一区
Juliana S. Lima, Daniela C.S.Z. Ribeiro, Habib Asseiss Neto, Sérgio V.A. Campos, Mônica O. Leite, Márcia E. de R. Fortini, Beatriz Pinho Martins de Carvalho, Marcos Vinícius Oliveira Almeida, & Leorges M. Fonseca
食品标签
乳及乳制品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 常量营养素（宏量）计算机标签
深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集在牛奶中添加奶酪乳清是一种常见且危害严重的欺诈行为，会导致乳制品产量降低、牛奶及牛奶制品的营养成分减少，甚至还会引发一些安全问题。然而，检测牛奶中是否添加了奶酪乳清的方法成本高昂且耗时，因此无法作为筛查手段使用。傅里叶变换红外（FTIR）光谱技术是一种有前景的替代方法，因为它能生成大量数据，并且可以提取有用信息供机器学习模型使用。本研究的目的是评估使用傅里叶变换红外与机器学习方法（如分类树和多层感知器神经网络）来检测牛奶中添加奶酪乳清的可行性。总共采集了 520 份未经处理的牛奶样本，并在浓度为 1、2、5、10、15、20、25 和 30%的情况下添加奶酪乳清；另外 65 份样本作为对照。这些样本分别在 7、20 和 30°C 下保存 0、24、48、72 和 168 小时，并使用傅里叶变换红外设备进行分析。还使用了 520 份真实牛奶样本的互补结果。通过傅里叶变换红外光谱（FTIR）预测了选定的成分（脂肪、蛋白质、酪蛋白、乳糖、总固形物和非脂肪固形物）以及凝固点（℃），然后将其用作机器学习算法的输入特征。性能指标包括：CART（分类与回归树）的准确率高达 96.2%，多层感知器神经网络的准确率高达 97.8%，两种方法的精度、灵敏度和特异性均超过 95%。利用 FTIR 预测的牛奶成分和凝固点与机器学习技术相结合，对于区分真牛奶与添加了奶酪乳清的样本具有很高的区分效率。结果表明，这是一种在牛奶质量实验室中作为高性能筛查过程来检测牛奶中掺入奶酪乳清的潜在方法。
-
利用高光谱成像的有效波长单色图像结合架构自搜索深度网络检测赤霉病损伤小麦籽粒
查看原文
2022
Food Control
中科院一区JCR一区
Lv Yipeng, Lv Wenbing, Han Kaixuan, Tao Wentao, Zheng Ling, Weng Shizhuang, & Huang Linsheng
食品标签
小麦 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 分类/鉴别/等级评定 高光谱/多光谱光谱遭受镰刀菌穗枯病（Fusarium head blight, FHB）侵染的小麦籽粒会出现水分、蛋白质及淀粉流失，同时携带有害毒素。对小麦籽粒的病害损伤程度进行分级判别，有助于实现籽粒的分等定级精准利用，降低经济损失，保障粮食安全。本研究探索将高光谱成像技术（HSI）与深度学习网络相结合，用于区分健康小麦籽粒以及轻度、中度和重度病损的小麦籽粒。研究通过 ReliefF 算法、无信息变量消除法、随机蛙跳算法及混合蛙跳算法四种方法，从高光谱图像的反射光谱数据中筛选有效波长（EWs）；并基于不同有效波长组合构建的单波段图像，结合网络架构自搜索深度网络（ASSDN） 构建病害分级判别模型。结果显示，采用 941 nm、876 nm 和 732 nm 三个波长组合的图像输入 ASSDN 模型时，判别效果达到最优 —— 训练集平均准确率为 100%，预测集平均准确率为 98.31%，性能优于其他波长组合图像及建模方法；模型的平均曲线下面积（AUC）达 0.9985，表明其具备优异的稳健性。利用离散特征波长图像进行建模，可显著降低模型的计算复杂度与运行成本，且便于研发简易的定制化检测设备，实现镰刀菌穗枯病病损小麦籽粒的现场快速识别。同时，ASSDN 网络能够自主生成并优化高性能分类网络，兼具易用性，大幅拓展了深度学习网络在粮食检测领域的应用潜力。
-
基于深度森林与近红外高光谱成像技术快速无损测定高粱纯度
查看原文
2022
Food Chemistry
中科院一区JCR一区
Haoping Huang, Xinjun Hu, Jianping Tian, Xinghui Peng, Huibo Luo, Dan Huang, Jia Zheng & Hong Wang
食品标签
杂粮 品质、结构与理化性质 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 深度学习 分类/鉴别/等级评定 高光谱/多光谱光谱本研究将高光谱成像（HSI）技术与深度森林（DF）算法相结合，构建了一种可靠的模型，用于实现高粱纯度的快速、无损检测。研究采用孤立森林（IF）算法与主成分分析（PCA）剔除高粱籽粒的异常数据，联合运用竞争性自适应重加权采样（CARS）算法与连续投影算法（SPA）提取特征波长，借助灰度共生矩阵（GLCM）提取纹理特征，并基于不同类型数据分别构建深度森林模型。其中，基于特征光谱构建的深度森林模型识别效果最优，模型平均正确识别率（CRR）高于 91%，且在验证集 Ⅰ 中的平均正确识别率达 88.89%。上述结果表明，高光谱成像与深度森林联用技术可应用于高粱纯度的快速、无损检测。
