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
-
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。
-
机器学习赋能的无损纸基显色阵列用于检测食品上的多种活体病原体
查看原文2021
Nature Food
中科院一区JCR一区Manyun Yang, Xiaobo Liu, Yaguang Luo, Arne J. Pearlstein, Shilong Wang, Hayden Dillow, Kevin Reed, Zhen Jia, Arnav Sharma, Bin Zhou, Dan Pearlstein, Hengyong Yu & Boce Zhang
食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法 统计建模与仿真计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据快速且同时检测食品中的多种可存活病原体对于公共健康至关重要。在此,我们报告了一种利用纸基色谱阵列(PCA)并通过机器学习实现的病原体检测系统。该PCA由浸有 23 种显色染料和染料组合的纸基底构成,当暴露于目标病原体释放的挥发性有机化合物时,会发生颜色变化。这些颜色变化会被数字化,并用于训练一个多层神经网络(NN),使其具备高精度(91%-95%)的病原体种类特异性检测和定量能力。经过训练的PCA-NN系统能够区分活的大肠杆菌、大肠杆菌 O157:H7 以及其他活的病原体,并且能够同时在新鲜切割的生菜中同时检测出大肠杆菌 O157:H7 和单核细胞增生李斯特菌,这代表了一个现实且复杂的环境。这种方法有可能在无需富集、培养、孵育或其他样本制备步骤的情况下,推进食品中非破坏性病原体检测和识别。
-
基于热成像和卷积神经网络的碎羊肉掺假猪肉分类与定量检测
查看原文2021
Food Control
中科院一区JCR一区Minchong Zheng, Yaoxin Zhang, Jianfeng Gu, Zongxiu Bai, & Rongguang Zhu
食品标签
畜肉 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 定量预测/回归分析 可见光/RGB/视频数据本研究提出一种 基于热成像技术结合卷积神经网络(CNN) 的羊肉糜掺假定性鉴别与定量检测新方法,该方法兼具可靠性与实用性。首先,研究采集了 35 份纯羊肉样品、35 份纯猪肉样品,以及 175 份不同掺假比例的羊肉糜样品(羊肉糜中猪肉掺入比例梯度为 10%、20%、30%、40%、50%)在连续加热过程中的热成像视频。其次,提取加热速率较快阶段的热成像图像,获取图像中感兴趣区域(ROI)的特征信息,并基于这些信息构建卷积神经网络定性分类模型与定量预测模型。在模型构建过程中,通过参数对比试验优化确定了模型的学习率与小批量样本数。最终,本研究确定采用 Softmax 分类器的卷积神经网络模型作为最优定性分类模型,实现对纯羊肉、掺假羊肉糜及纯猪肉样品的精准判别;同时确定采用回归函数的卷积神经网络模型作为最优定量预测模型,实现对猪肉掺假比例的准确测算。结果表明:所构建的卷积神经网络定性分类模型,其验证集准确率达 99.97%,测试集准确率达 99.99%;定量预测模型的验证集决定系数R2、均方根误差(RMSE)、相对预测偏差(RPD)分别为 0.9933、0.0251、12.2487,测试集对应指标分别为 0.9933、0.0252、12.2387。综上,热成像技术结合卷积神经网络的方法,在不同样品的定性鉴别及掺假比例的定量检测方面均取得优异效果。该方法兼具经济性与便捷性,在掺假食品的检测与监管领域具有广阔的应用前景。
-
结合图像分析和傅里叶变换近红外光谱预测橄榄成熟度以优化特级初榨橄榄油
查看原文2021
Food Control
中科院一区JCR一区Cristina Alamprese, Silvia Grassi, Alessio Tugnolo & Ernestina Casiraghi
食品标签
植物油 品质、结构与理化性质 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 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据本研究基于完整油橄榄果实的傅里叶变换 - 近红外(FT-NIR)光谱数据,构建用于预测油橄榄成熟度指数的分类模型。研究专门开发了一种图像分析(IA)方法,以实现对油橄榄成熟度指数的客观评价。实验连续三年采集了 13 个油橄榄品种在不同成熟阶段的样本。通过相关性分析证实,该图像分析方法的检测结果与传统成熟度指数目视评价法具有极显著的相关性,验证了方法的可靠性。研究以图像分析所得成熟度指数为参考标准,结合油橄榄果实的漫反射傅里叶变换 - 近红外光谱数据,采用偏最小二乘判别分析(PLS-DA)构建分类模型。结果显示,针对不同产地油橄榄分别建立的 PLS-DA 模型,其预测灵敏度与特异度均高于 81%;而整合所有样本构建的全局模型性能略低(灵敏度 79%、特异度 75%),但该模型的稳健性显著更优,可为橄榄油产业提供一种快速、绿色且无损的油橄榄分选方法,助力高品质初榨橄榄油的生产。
-
利用热成像技术对大米和米粉进行卷积系统设计以确保质量与安全
查看原文2021
Food Control
中科院一区JCR一区Leidy V. Estrada-Pérez, Sandra Pradana-López, Ana M. Pérez-Calabuig, María Luz Mena, John C. Cancilla, & José S. Torrecilla
食品标签
谷物/块根/豆与坚果类 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 可见光/RGB/视频数据本研究采用热成像相机结合智能算法,实现了对五种不同品类稻米(Oryza sativa L.)的籽粒及粉末形态分类,并可检测以不同稻米混配形式存在的掺假样品。实验共采集 63,000 余份纯稻米(粳稻与籼稻)及其混配样品的热成像图像,将这些图像用于训练和验证一套基于深度学习技术(卷积神经网络)的分析系统,以完成稻米品类分类及掺假检测任务。研究结果表明,认知建模与热成像分析相结合的技术方案,可实现稻米品类的精准分类及潜在掺假的有效识别,准确率均超过 98%。上述优异的实验结果证实,该技术工具可切实应用于食品掺假溯源、品质管控及公共安全保障等领域。