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
-
利用高光谱成像技术预测红肉肌内脂肪和pH值的全球校准模型
查看原文2021
Meat Science
中科院一区JCR一区Y. Dixit, M. Al-Sarayreh, C.R. Craigie & M.M. Reis
食品标签
畜肉 颜色与外观品质 其他品质相关性质 过程监测与在线检测 常规理化指标测定 显微与成像技术 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 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据 大规模数据集本研究展示了一种开发全球校准模型的新方法,用于预测不同红肉物种和肌肉类型的肌内脂肪和pH值。研究使用了来自8个不同实验的高光谱成像数据集,包含牛肉、羊肉和鹿肉三个物种的数据,涵盖了不同的肌肉类型、屠宰季节和测量条件。利用偏最小二乘回归和深度卷积神经网络,分别使用1080个和1116个样本建立了IMF和pH的预测模型。通过两种技术建立的pH和IMF模型均获得了较高的校正决定系数和较低的标准校正误差。同时,模型也表现出相当准确的预测性能,具有较高的预测决定系数和较低的标准预测误差。总体结果证明了这些全球校准模型的全面性,它们能够预测红肉样本的IMF和pH,而不受物种和肌肉类型的影响。
-
基于深度迁移学习的咖啡粉质量与安全性验证
查看原文2021
Food Control
中科院一区JCR一区Sandra Pradana-López, Ana M. Pérez-Calabuig, John C. Cancilla, Miguel Ángel Lozano, Carlos Rodrigo, María Luz Mena, & José S. Torrecilla
食品标签
咖啡饮料 食品安全与风险评估 质构与流变测试计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据本研究以相机采集的咖啡粉图像为训练数据集,对卷积神经网络模型进行训练,旨在实现阿拉比卡咖啡与罗布斯塔咖啡的品质管控,并检测其是否掺入菊苣、大麦等其他食材。研究所用卷积算法基于预训练的残差网络 34(ResNet34)卷积架构,结合迁移学习技术,大幅减少了模型训练所需的图像样本量,进而降低了最终数学模型的构建成本。实验结果表明,本文所构建的模型对不同品类咖啡粉、菊苣及大麦的分类误差均低于 1.0%;同时,该模型可有效检测咖啡中质量占比为 0.5%~5.0% 的掺杂物,检测误差低于 1.4%。基于上述成果,研究团队研发出一款咖啡掺假检测原型设备,该设备操作简便、检测速度快且结果准确,可满足咖啡生产商、经销商及消费者的检测需求。
-
食品标签
甲壳类 显微与成像技术计算机标签
卷积神经网络 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/视频数据南部岩龙虾(SRL)是澳大利亚经济中重要的出口商业渔业品种,每年为该国创造2.5 亿澳元的经济价值。然而,该产业面临食品安全与产品掺假等多重风险,亟需构建高效的溯源体系。相较于现有基于标签的追踪系统,生物特征识别技术安全性更优,被视为可行解决方案。本文阐述了如何将 卷积神经网络(CNN) 与图像处理技术相结合,为南部岩龙虾供应链构建自动化分级方案。该研究是整套低成本生物特征识别溯源体系研发的核心环节,整套体系旨在实现龙虾从捕捞到餐桌的全供应链追踪。本研究借助卷积神经网络,在已有龙虾分级研究基础上优化升级,旨在建立可靠、灵活的溯源方法,以适配多样化的供应链场景。该方法采用预训练的 Mask-RCNN 模型,从龙虾图像中提取感兴趣区域;依托模型的深度学习能力,可自动分割出龙虾头胸甲区域,进而计算尺寸、重量、色泽等分级指标,同时为后续龙虾个体识别研究生成高质量输入数据集。研究在龙虾加工厂采集的大规模图像数据集上完成方法验证,并在移动应用环境中进行测试,证实了该方法的有效性。本研究成果为构建完整的南部岩龙虾产品生物特征溯源体系提供了关键支撑。
-
基于深度学习与快照高光谱成像技术的肉类物种分类潜力研究
查看原文2020
Food Control
中科院一区JCR一区Mahmoud Al-Sarayreh, Marlon M. Reis, Wei Qi Yan & Reinhard Klette
食品标签
畜肉 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 分类/鉴别/等级评定 高光谱/多光谱光谱在肉类行业中,产品真伪鉴别至关重要,因其关系到人类膳食结构、加工产业链,同时也是保障公平贸易的重要基础。本研究旨在融合红肉高光谱图像(HSI)的光谱与空间特征,探究 快照式高光谱成像(snapshot HSI) 结合深度学习方法用于红肉分类的应用潜力,并对快照式与传统标准线扫描高光谱系统开展全面对比。本研究提出一种新型 三维深度卷积神经网络(3D-CNN) 模型,用于提取光谱 - 空间联合特征并实现高光谱图像中肉类的分类识别;同时创新采用基于图的后处理方法,提升 3D-CNN 模型的预测效果。结果表明,3D-CNN 方法相较现有主流模型,显著提升了整体分类精度。尽管快照式高光谱的光谱信息存在一定局限,3D-CNN 模型仍表现出良好的鲁棒性:基于近红外(NIR)快照高光谱的整体分类精度达 96.9%,基于可见光(VIS)快照高光谱的精度达 97.1%。两类高光谱系统的对比结果显示,传统主流模型难以对快照式高光谱数据实现精准分类,而 3D-CNN 通过利用完整图像信息,在两种系统上均能获得优异的分类精度。本研究为后续依托快照式高光谱与深度学习模型,开展红肉真伪实时鉴别、移动式高光谱系统开发等相关研究奠定了基础。
-
基于卷积神经网络的南岩龙虾供应链个体识别
查看原文2020
Food Control
中科院一区JCR一区Son Anh Vo, Joel Scanlan & Paul Turner, Robert Ollington
食品标签
甲壳类 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/视频数据在多数溯源系统中,产品标识是支撑供应链全流程追踪活动开展的核心环节。采用条形码与射频识别(RFID)技术进行产品标记是实现该功能的最常用手段。然而,此类方案因成本与时间投入较高,对小微企业而言实施难度较大。此外,在结构复杂、管控薄弱的市场环境中,标识克隆、产品替换、标签复用等欺诈行为已成为切实存在的风险。针对 南部岩龙虾(Southern Rock Lobster, SRL) 的溯源需求,本文提出一种基于卷积神经网络(Convolutional Neural Networks, CNNs)的龙虾个体图像识别方案。本研究基于作者团队此前开展的龙虾自动化分级相关研究,进一步探索面向龙虾从捕捞到消费全链路追踪的低成本生物特征识别方案。该方法采用 孪生网络(Siamese 模型) 结合对比损失函数,通过龙虾头胸甲图像实现个体区分。研究认为,龙虾头胸甲部位的色彩与棘刺纹理具备独有的可识别个体特征。研究团队在某龙虾加工企业采集了包含 200 只龙虾个体的图像数据集,初步实验结果验证:将龙虾图像识别作为补充手段,可提升当前南部岩龙虾供应链中主流标签式追踪系统的安全性。