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 339 条结果
-
基于迁移学习的低要求成像技术实现灵敏且稳健的大米掺假定量检测
查看原文2021
Food Control
中科院一区JCR一区Sandra Pradana-López, Ana M. Pérez-Calabuig, Carlos Rodrigo, Miguel A. Lozano, John C. Cancilla, & José S. Torrecilla
食品标签
大米 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/视频数据为开发大米掺假检测系统,本研究采用深度学习方法,对五种不同品类大米的普通数码照片开展图像分类研究。首先,研究人员将不同品类的大米进行研磨与过筛处理,从而实现对米粒形态与米粉形态的双重成像。实验采集了纯品大米及不同掺假比例混合样品(25%、50%、75%)的图像数据以构建数据库,通过普通相机拍摄获得各类样品的图像共计 3400 张。在算法模型方面,本研究采用基于迁移学习策略的残差网络 34(ResNet34)模型,对不同品类的大米样本进行分类判别。研究随机选取数据库中 90% 的图像用于模型训练与内部验证,经对 34 个分析类别逐一进行性能评估并取平均值后,模型达到 98.0% 的总体分类准确率。最后,利用剩余 10% 的图像开展盲测验证,模型分类正确率高达 98.8%。
-
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计算机标签
深度学习 定量预测/回归分析 时序传感器/物联网数据 小规模数据集总细菌计数(TBC)是评估牛奶微生物质量的广泛认可指标,基于培养的方法通常被用作其测量的标准方法。然而,这些方法既费力又耗时。本研究提出了一种结合电子鼻技术与人工神经网络的方法,用于快速预测牛奶中的 TBC 值。生成的定性模型在识别高、中或低 TBC 水平的牛奶样本时,在测试集和验证集上均达到了 100%的准确率。定量模型生成的预测 TBC 值与参考值具有很强的多重相关系数(R2 > 0.99)。在涉及 24 个和 28 个测试样本的测试集和验证集中,TBC 的预测值与参考值之间的平均相对差异分别为 1.1 ± 1.7% 和 0.4 ± 0.8%。配对 t 检验表明,无论是测试集还是验证集,TBC 的预测值与参考值之间的差异均不显著。在测试样本中,低至约 1 个对数菌落形成单位/毫升的 TBC 值都能被精确预测出来。本研究的结果表明,电子鼻技术与人工神经网络相结合能够对牛奶中的布鲁氏菌病做出可靠的预测。本研究提出的方法对于评估牛奶的微生物质量而言是可靠的、快速的且成本效益高的,因此在乳制品行业有可能具有实际应用价值。
-
含精油纯组分的乙烯-乙烯醇共聚物薄膜处理下 Fusarium culmorum 与 F. proliferatum 生长及其毒素产生的机器学习预测方法
查看原文2021
International Journal of Food Microbiology
中科院一区JCR一区Andrea Tarazona, Eva María Mateo, José Vicente Gómez, Rafael Gavara, Misericordia Jiménez & Fernando Mateo
食品标签
玉米 微生物安全 活性包装 微生物计数与生长曲线计算机标签
深度学习 随机森林 梯度提升决策树 定量预测/回归分析禾谷镰刀菌(Fusarium culmorum)和层出镰刀菌(F. proliferatum)能在食物链的不同环节生长并分别产生玉米赤霉烯酮(ZEA)和伏马毒素(FUM)。使用抗真菌化学药剂来控制这些真菌和真菌毒素,会增加食品和饲料中有毒残留物的风险,并诱发真菌耐药性。本研究评估了一种新的多学科方法,该方法基于含精油纯组分(EOCs)的生物活性乙烯 - 乙烯醇共聚物(EVOH)薄膜的使用以及机器学习(ML)方法。生物活性EVOH - EOC薄膜是通过掺入肉桂醛(CINHO)、柠檬醛(CIT)、异丁香酚(IEG)或芳樟醇(LIN)制成的。研究应用了多种机器学习方法(神经网络、随机森林和极端梯度提升树)以及多元线性回归(MLR),并对不同水分活度(aw)(0.96和0.99)和温度(20℃和28℃)条件下真菌生长和毒素产生的模型进行了比较。根据EOC、aw和温度的不同,EVOH薄膜中EOCs使真菌生长速率(GR)降低50%、90%和100%的有效剂量(ED50、ED90和ED100)范围分别为200至>3330、450至>3330以及660至>3330μg/真菌培养物(培养皿中25g部分研磨的玉米粒)。EVOH - EOC薄膜的类型和EOC剂量对两种真菌的生长速率以及ZEA和FUM的产生均有显著影响。温度也会影响生长速率,而aw仅影响层出镰刀菌的生长速率和FUM产生。EVOH - CIT是对抗这两种真菌以及ZEA和FUM产生的最有效薄膜。通常,当EOC水平升高时,培养基中的生长速率和真菌毒素水平会下降,但某些处理与特定的aw和温度值结合时会诱导ZEA的产生。随机森林模型对禾谷镰刀菌和层出镰刀菌的生长速率以及ZEA和FUM产生的预测效果优于神经网络或极端梯度提升树。多元线性回归模型的性能最差。这是首次探讨机器学习在研究含EOCs的生物活性EVOH薄膜及环境条件对禾谷镰刀菌和层出镰刀菌生长以及ZEA和FUM产生影响方面的潜力。结果表明,这些创新的包装系统与机器学习方法相结合,有望成为预测和控制食品中与这些产毒真菌及真菌毒素相关风险的有效工具。
-
用于分析高光谱图像以确定食品质量的机器学习技术:综述
查看原文2021
Current Research in Food Science
中科院一区JCR一区Dhritiman Saha & Annamalai Manickavasagan
食品标签
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 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱多年来,无损检测技术在食品质量监测中变得愈发重要。高光谱成像便是一种重要的无损质量检测技术,它能同时提供空间和光谱信息。机器学习技术的进步实现了快速分析且具有更高的分类准确率,这提升了该技术在食品领域应用的潜力。本文概述了不同机器学习技术在高光谱图像分析中用于食品质量测定的应用情况,涵盖了高光谱成像的基本原理,以及每种机器学习技术的优势和局限性。这些机器学习技术能够对食品的高光谱图像进行快速且高精度的分析,从而构建出稳健的分类或回归模型。从高光谱数据中筛选出有效的波长至关重要,因为这能大幅降低计算负荷和时间,进而扩大实时应用的范围。由于深度学习具有特征学习的特性,它是实时应用中最具前景且最强大的技术之一。然而,深度学习领域相对较新,其充分利用仍需进一步研究。同样,终身机器学习为高光谱成像的实时应用开辟了道路,但在纳入食品质量的季节性变化方面还需深入研究。此外,本文还探讨了机器学习技术在高光谱图像分析中存在的研究空白及未来前景。
-
深度学习与机器视觉在食品加工中的应用:综述
查看原文2021
Current Research in Food Science
中科院一区JCR一区Lili Zhu, Petros Spachos, Erica Pensini & Konstantinos N
食品标签
品质、结构与理化性质 食品安全与风险评估 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 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品的质量与安全是全社会关注的重要问题,因为它是人类健康、社会发展与稳定的基础。保障食品质量安全是一个复杂的过程,必须考虑食品加工的各个环节,从种植、收获、储存到制备和消费。然而,这些过程往往劳动密集。如今,机器视觉的发展能极大地帮助研究人员和行业提高食品加工效率。因此,机器视觉已被广泛应用于食品加工的各个方面。同时,图像处理是机器视觉的重要组成部分。图像处理可以利用机器学习和深度学习模型,有效识别食品的种类和质量。随后,机器视觉系统中的后续设计能够完成食品分级、检测缺陷点或异物位置以及去除杂质等任务。在本文中,我们概述了可应用于食品加工领域的传统机器学习和深度学习方法,以及机器视觉技术。我们介绍了当前的方法、面临的挑战以及未来的发展趋势。