类目筛选（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
-
-
深度筛选（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
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 291 条结果
-
基于高光谱显微成像与 WGAN-GP 的油茶籽仁微观结构油含量预测与可视化
查看原文
2026
LWT
中科院一区JCR一区
Weidong Yuan, Hongping Zhou, Xuesong Jiang, & Hongzhe Jiang
计算机标签
卷积神经网络 生成对抗网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
豆类与坚果（及籽类） 微观结构与成像 显微与成像技术油含量是评价油茶籽经济价值的关键指标。鉴于宏观油含量检测与可视化研究在机理解释方面仍不充分，本研究旨在探讨利用高光谱显微成像在细胞水平评价油茶籽仁油含量并可视化其空间分布的可行性。受设备和实验条件限制，样本数据量有限，进而影响模型性能。为解决这一问题，研究采用带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP）扩增光谱和油含量数据，并通过定性和定量方法系统评价生成数据与真实数据。研究在原始校准集中加入不同比例生成数据，构建偏最小二乘回归（PLSR）和卷积神经网络回归（CNNR）模型。结果表明，WGAN-GP 在数据扩增方面优于传统 DCGAN，并提高了 PLSR 和 CNNR 模型的预测性能，Rp2 分别达到 0.6981 和 0.8220，对应提升 31.89% 和 13.19%。本研究不仅为油茶籽宏观无损检测提供了新的微观机理分析，也为小样本条件下利用高光谱显微成像准确预测理化性状提供了重要参考。
-
SCLFormer：用于玉米籽粒机械损伤高光谱图像分类的协同卷积—线性注意力 Transformer
查看原文
2026
Artificial Intelligence in Agriculture
中科院一区JCR一区
Yiqiang Zheng, Jun Fu, Fengshuang Liu, Haiming Zhao, & Jindai Liu
计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
玉米 品质、结构与理化性质 显微与成像技术利用高光谱成像对玉米籽粒的机械损伤进行分类，对于保障粮食安全和减少损失具有重要意义。现有方法受到计算复杂度高以及对种皮损伤、籽粒裂纹等细微损伤检测精度有限的制约。为解决这些问题，本研究提出了一种新算法——协同卷积与线性注意力 Transformer（SCLFormer）。该算法以线性注意力取代传统的 softmax 注意力，将计算复杂度由二次复杂度降低至线性复杂度，从而提高运算效率；同时在编码器中融入卷积运算，为全局特征建模补充局部先验信息，提高分类准确率。SCLFormer 对玉米籽粒损伤进行分类的总体准确率达到 97.08%，其中裂纹籽粒和种皮损伤的分类准确率均超过 85%。与 softmax 注意力相比，SCLFormer 的训练时间和测试时间分别缩短 355.27 s（16.86%）和 0.71 s（23.67%）。此外，本研究提出了一种模块化的高光谱图像级分类框架，可集成现有的像素级特征提取网络，并实现超过 80% 的分类准确率，表明该框架具有良好的可扩展性。SCLFormer 作为该框架的专用特征提取模块，为玉米籽粒损伤分类提供了稳健的解决方案，并展现出向更大空间尺度应用拓展的巨大潜力。该框架为其他农产品的高光谱整幅图像分类建立了一种新的技术范式。
-
利用深度学习检测和识别显微图像中的昆虫源加工动物蛋白
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Cyril Kaisin, Pascal Veys, Abigaël Anselmo, & Bernard Gosselin
计算机标签
卷积神经网络 目标检测网络 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
昆虫蛋白 食品安全与风险评估 其他安全问题 显微与成像技术 蛋白质与氨基酸在动物饲料中使用昆虫来源的陆生无脊椎动物加工动物蛋白（PAP），给欧盟官方监管带来了新的挑战。目前，这类成分的检测仅依赖光学显微镜，并且完全取决于经过培训的操作人员。近期研究指出，昆虫源 PAP 检测主要存在两个问题：一是将非昆虫结构误判为昆虫来源结构而导致的特异性不足；二是整只昆虫幼虫经研磨后形成的颗粒形态高度多样，难以准确分类。为解决这些问题，本研究开发了一种利用深度学习自动分析和分类显微图像的概念验证系统，并测试了由 YOLO 目标检测模型、改进的 ConvNeXt 架构及 Transformer 模块组成的分类流程。经过监督学习、训练和验证后，该模型能够有效区分昆虫颗粒与其他非昆虫材料，并能鉴别黄粉虫（Tenebrio molitor）和黑水虻（Hermetia illucens）来源的加工动物蛋白颗粒；两项任务的平均 Matthews 相关系数达到 0.89，准确率均超过 95%。模型具有稳健的性能和较快的处理速度，可与数字显微镜结合，实现颗粒的实时自动分类，并为每个颗粒的预测提供置信度。该人工智能模型为显微识别复杂结构的官方监管提供了新的可能，并可作为显微镜检验人员在复杂饲料基质中的图像分析优化和决策支持工具。
-
TFD-YOLO-LSTM：一种基于智能手机的番茄货架期实时预测模型
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Ahmed Islam ElManawy, Jihan Wang, Ahmed Fathy Ghazal, Sarfaraz Hussain, Durray Shahwar, Fujun Li, & Xinhua Zhang
计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 抗氧化/抗炎等功能 显微与成像技术番茄富含抗氧化物和必需营养素，但由于货架期预测不准确，采后损失严重。传统品质评价方法通常具有主观性、侵入性且不适用于实时应用。本研究提出一种基于智能手机的多任务番茄货架期无损评价模型，称为 TFD-YOLO-LSTM。该模型结合 YOLOv12 从 RGB 图像中实时检测并分类番茄（新鲜、未成熟、腐烂），并结合双向长短期记忆网络（Bi-LSTM）融合深度视觉特征和贮藏温度数据来预测货架期。研究在三种番茄品种及常温和运输两种条件下进行评估。TFD-YOLO-LSTM 优于现有模型 YOLOv10 和 YOLOv11，mAP@50 达到 95.5%，分类准确率为 89%，同时保持轻量化结构，其参数量仅为 YOLOv12 的 42%。此外，该模型的货架期预测性能比传统机器学习和时间卷积网络高出 57.7% 以上，在不同温度和番茄品种下 R2 为 0.83 +/- 0.02，MAE 为 2.18 +/- 0.38 天。该高效、易用的工具有望通过精准货架期估计优化供应链决策，减少食物浪费并促进可持续农业。
-
基于迁移学习特征表示提高番茄成熟度分类的类别可分性与泛化能力
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Sungmin Jeong, Suyong Lee, & Imkyung Oh
计算机标签
卷积神经网络 迁移学习/领域自适应 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜水果 颜色与外观品质 显微与成像技术 常规理化指标测定由于采后成熟过程中颜色转变具有渐进性和重叠性，番茄成熟度的准确、客观分类仍然具有挑战。本研究探讨了与使用 LAB 颜色特征的传统机器学习模型相比，基于迁移学习的深度架构是否能够提高类别可分性和泛化能力。研究将 2612 个番茄划分为 3 个成熟阶段，并使用 4 种机器学习分类器、一个基线卷积神经网络以及多个预训练骨干架构进行分析，同时结合降维和外部验证。传统机器学习模型虽然取得较高总体准确率，但半熟与成熟阶段之间持续存在误分类，反映出番茄颜色变化的内在连续性。相比之下，迁移学习能够稳定特征表示，并在不牺牲分类性能的情况下提高跨数据集稳健性。结果表明，迁移学习的主要优势在于增强结构性特征的稳健性，而不仅仅是提高准确率，这对采后质量控制和自动分级系统具有实际价值。所提出的框架为农食图像分析提供了可扩展策略，并鼓励进一步研究其在多样环境条件下的稳健部署。
