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 2456 条结果
-
基于高光谱图像光谱-纹理融合与 3DCNN-TexNet-Att 的霉菌感染哈密瓜可溶性固形物含量检测
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
MingHui Zhang, Benxue Ma, Fumin Dang, Fujia Dong, Ying Xu, & Fan Wu
计算机标签
卷积神经网络 偏最小二乘法 定量预测/回归分析 多模态/融合数据 高光谱/多光谱光谱食品标签
新鲜水果 微生物安全 质构与流变性质 光谱/色谱/质谱等分析方法 显微与成像技术 碳水化合物与糖类病原真菌引起的采后腐烂严重影响哈密瓜品质和经济价值，但早期感染缺乏可见症状，及时检测具有挑战性。可溶性固形物含量（SSC）是关键品质指标，在真菌感染条件下可能发生变化。本研究提出一种融合高光谱数据、纹理特征和深度学习模型的多维特征融合方法，用于预测哈密瓜 SSC 并评价曲霉感染对 SSC 的影响。在病原菌感染期间，哈密瓜 SSC 呈持续下降趋势。病原菌造成的损伤促进糖和有机酸降解，从而影响果实品质。研究通过高光谱数据的二维相关光谱（2D-COS）分析识别与 SSC 相关的关键波段，同时通过图像处理提取纹理特征，并筛选与 SSC 的 Pearson 相关系数大于 0.2 的特征。随后，采用三维卷积神经网络（3DCNN）协同分析融合后的光谱-纹理特征。实验结果表明，与传统机器学习模型（PLSR 和 SVR）相比，轻量化 3DCNN-MobileNetV2 模型在处理高维复杂特征方面表现更优。此外，多维数据融合策略相较单一光谱模型将 SSC 预测精度提高 5.74%。引入自注意力机制的 3DCNN-TexNet-Att 模型取得最佳 SSC 预测性能，R2 为 0.911，RMSE 为 0.541，RPD 为 3.345。研究表明，该方法能够有效检测霉菌感染哈密瓜中的 SSC，并为采后运输和贮藏过程中的品质监测提供有效工具。
-
基于 RB@BSA-AuNRs 的智能手机 APP 双模荧光 / 比色便携式传感器用于植物源制品品质鉴别
查看原文
2026
Food Research International
中科院一区JCR一区
Hengye Chen, Xueqing Zeng, Guanghua Lei, Yun Huang, Wanjun Long, Wei Lan, Yuting Guan & Haiyan Fu
计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据食品标签
食用花卉 食品安全与风险评估 常规理化指标测定 显微与成像技术 多酚与黄酮原料的地理来源对植物源产品（PDPs）的多酚（PPs）组成具有关键影响，进而决定其品质与真伪。本文以菊花（CF）为模型，构建了一种基于智能手机应用的双模式（比色/荧光）便携式传感平台，可实现植物源产品的产地快速溯源与品质预测。该传感器基于罗丹明B标记的牛血清白蛋白与金纳米棒复合纳米材料（RB@BSA-AuNRs）。在比色模式下，多酚可诱导牛血清白蛋白从金纳米棒表面脱离，改变金纳米棒的长径比并产生显著的颜色变化；在荧光模式下，该相互作用可调控罗丹明B与金纳米棒之间的门控荧光共振能量转移（Gate-FRET）过程及内滤效应（IFE），从而产生比率型荧光响应。不同产地菊花中多酚含量的差异可形成独特的比色与荧光特征信号，这些信号由智能手机采集，通过定制应用程序处理，并经云端机器学习算法分析。该集成系统对产地分类的平均准确率达97%，对特定化合物含量及抗氧化活性的预测误差在2%至19%之间。所构建的平台为富含多酚的植物产品提供了一种快速、便携、低成本的现场品质评价与溯源方法。
-
基于多源数据融合与机器学习的地理标志稻米多尺度产地判别：以盘锦大米为例
查看原文
2026
Food Research International
中科院一区JCR一区
Qin Wang, Yangyang Lu, Changyan Zhou, Xiaobei Li, Xujiao Li, Zhiyong Zhao, Xiangwei He, Xiaoyan Zhao & Yanmei Zhang
计算机标签
主成分分析/判别分析 智能手机/其他 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据 多模态/融合数据食品标签
大米 食品安全与风险评估 光谱/色谱/质谱等分析方法 其他理化与结构表征 代谢组学欺诈事件频发使得地理标志（GI）大米的产地溯源认证难度加大。本研究以盘锦大米（获中国与欧盟双重认可的地理标志产品）为研究对象，构建了融合稳定同位素分析、近红外光谱（NIRS）、矿物元素图谱、代谢组学与机器学习的多尺度溯源模型。在省际尺度上，基于近红外光谱的模型展现出优异的判别性能，经适宜光谱预处理后，线性判别分析（LDA）准确率最高，达88.5%。在辽宁省内的省内地市尺度，稳定同位素与近红外光谱模型均表现出色，基于线性判别分析的模型分类准确率可达100.0%。然而，仅依靠稳定同位素分析或近红外光谱，难以实现盘锦市市域内的产地判别。通过中层数据融合引入矿物元素与代谢组学特征，成功实现了市域尺度的可靠溯源，多种分类器准确率均达到100.0%。研究结果表明，构建灵活多元、多技术融合的数据驱动策略，是实现不同空间尺度下高精度产地溯源认证的必要途径。
-
基于生物阻抗谱分析和全连接神经网络识别模型的冷冻—解冻食品新型快速非接触检测方法
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Degang Xu, Qixiong Wen, Yuedong Xie, Wuliang Yin, & Jiawei Tang
计算机标签
智能手机/其他 分类/鉴别/等级评定 时序传感器/物联网数据 大规模数据集 合成/仿真数据为主食品标签
复合/即食/餐饮食品 冷藏与冷冻保藏 过程监测与在线检测 光谱/色谱/质谱等分析方法本研究基于创新的“数据＋神经网络模型”策略，提出一种快速、非接触式冷冻—解冻食品检测方法，旨在克服传统检测扫频速度慢、频率范围宽等关键工业限制。该方法以三个固定频点——100 kHz、500 kHz 和 1 MHz——的测量信号比值取代传统全谱扫描。研究结合有限元建模数据和实际测量数据，构建了包含 4,000 个样本的数据集，并将样本标记为“新鲜”或“冷冻—解冻”。随后采用全连接神经网络（FCNN）作为二分类模型进行训练。结果显示，该模型在测试集和实物验证样本上均取得较高的分类准确率。与每个样本需要 7–8 分钟的传统全谱扫描方法相比，新方法完成一次测量仅需 1–1.5 秒。尽管不进行完整扫频会损失部分频谱信息，但在冷冻—解冻食品识别场景中，该方法显著提高了检测效率，并大幅降低了仪器复杂度和成本。研究为自动化生产线上快速、无损、非接触识别新鲜食材的冷冻—解冻状态提供了理论依据和实用方案，具有较大的食品工业应用潜力。
-
集成表面增强拉曼光谱与机器学习用于果汁中多靶标农药残留的识别与定量
查看原文
2026
Food Chemistry
中科院一区JCR一区
Shen Jiang, Qiuyun Li, Xubin Quan, Yaowen Xing, Yujiang Huang, Xuming Mu, Yitong Meng, Guangrun Wu, Tong Ju, Yuhan Chu, Ruiyao Ma, Jing Wu, Xiaotong Wang, Sheng Wang, & Yang Li
计算机标签
机器学习/统计学习 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
果蔬汁/浓缩汁 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分本研究开发了一种新型的表面增强拉曼散射（SERS）平台，该平台结合了机器学习，可实现对果汁中多种农药残留的快速、灵敏和区分性分析。核心-壳层 Au@AgCNCs 纳米结构通过局域表面等离子共振和钙离子诱导聚集显著增强拉曼信号，使五种农药的超高灵敏检测成为可能，检测限低至 2.7 pM。当将机器学习（ML）算法应用于果汁中多靶农药残留分析时，在复杂的果汁基质中识别农药类型的准确率达到 99.56%。值得注意的是，该模型在纯农药光谱上进行训练，并在加标果汁样品上进行测试。使用支持向量回归（SVR），单一和混合农药的回收率范围为94.2%至106.1%，从而实现了多组分农药残留的定量分析。将表面增强拉曼散射（SERS）与机器学习（ML）结合，不仅提高了检测精度，还简化了分析流程，显示出在食品安全监测和可持续农业实践中的重要潜力。
