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
-
用于智能手机传感检测四环素类抗生素的荧光-比色双模式策略
查看原文
2026
Food Control
中科院一区JCR一区
Junjie Qi, Jingkun Li, Yuqi Wan, Guoyong Jiang, Yukihiro Ozaki, & Fuwei Pi
计算机标签
智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据 可见光/RGB/视频数据食品标签
液态乳 蜂蜜等天然糖 化学污染物 颜色与外观品质 常规理化指标测定 其他特殊成分四环素类抗生素广泛用于动物源食品生产，其残留需要快速、便捷的监测方法。本研究基于 NH2-MIL-101(Fe)-Eu3+ 金属有机框架纳米探针，建立了用于智能手机传感检测四环素类抗生素的荧光-比色双模式策略。荧光响应由内滤效应和天线效应产生，TMB 辅助比色反应提供第二种可视化信号。该方法实现了高灵敏度四环素检测，检出限较低，并结合智能手机颜色识别和试纸检测实现便携式分析。研究采用快速双溶液提取流程，并通过等效性检验、Deming 回归和 Bland-Altman 分析与实验室提取方法进行比较。该策略在蜂蜜中得到验证，并进一步应用于牛奶、肉类和环境水样品，回收率良好。结果表明，该方法可为食品相关基质中四环素类抗生素残留的快速筛查提供实用的现场检测方案。
-
基于鱼眼高光谱成像和跨模态深度学习的大黄鱼冻融循环无损判定
查看原文
2026
Food Control
中科院一区JCR一区
Kai Yan, Wude Yang, Tianzhe Wen, Wenkai Wang, Siyuan He, Mingqian Tan, Xiaoyang He, Yang Liu, & Huihui Wang
计算机标签
循环神经网络 其他深度学习结构 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
鱼肉 特征风味 冷藏与冷冻保藏 显微与成像技术在冷链贮藏和运输过程中，大黄鱼容易因温度波动经历冻融循环，从而显著损害品质和风味。鱼眼作为可见外部器官，在冻融过程中会出现晶状体浑浊和形态变化，可在不破坏鱼体的情况下提供相关信息，因此具有反映冻融循环的潜力。本研究提出一种基于鱼眼高光谱信息的无损检测方法，通过分析瞳孔区域反射光谱变化和眼部形态退化，实现冻融循环准确判别。首先，研究利用瞳孔区域反射光谱构建具有局部特征提取和全局模式识别能力的 LSTM-Transformer 光谱分类模型，用于区分不同冻融循环样品。为充分利用晶状体浑浊和眼部结构变化信息，研究进一步引入融合鱼眼图像与光谱数据的跨模态注意力机制，建立跨模态冻融预测模型。实验结果表明，冻融导致的晶状体浑浊变化可能是通过瞳孔反射光谱区分鲜鱼与冻融鱼的关键因素。LTscModel 在冻融预测中优于传统模型，准确率达到 87.5%；CmFTpModel 通过多模态融合进一步提升预测性能，准确率达到 92.5%，超过单模态模型。该研究为水产品冻融循环快速检测和品质追溯提供了新方法和技术支持。
-
BTPM：基于 B 模式超声图像面向屠宰线分级的背膘厚度自动预测轻量化双分支框架
查看原文
2026
Food Control
中科院一区JCR一区
Xinmiao Li, Jingxuan Qiu, Caiyun Liu, & Xin Wang
计算机标签
图像分割网络 模型可解释性 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据食品标签
畜肉 质构与流变性质 物理辅助加工 显微与成像技术 质构与流变测试准确、快速测量背膘厚度对于猪胴体客观分级十分重要。本研究提出 BTPM，一种基于 B 模式超声图像自动预测背膘厚度的轻量化深度学习框架。该方法首先利用 U-Net 精确分割背膘区域，随后采用双分支特征提取网络。一个分支使用深度可分离卷积和挤压-激励注意力模块，从分割区域中分层提取具有判别力的纹理特征；另一分支直接从掩膜计算紧凑几何描述符。这些特征融合后通过 MLP 头进行回归，以估计背膘厚度。在专用数据集上的评估显示，BTPM 的 RMSE 为 1.184 mm，MAPE 为 4.37%，R2 为 0.943。模型在最常见背膘厚度范围 T1-T4 内表现稳健且准确，该范围覆盖 81.2% 样本，MAE 为 0.636-0.986 mm。Bland-Altman 分析确认其与人工测量高度一致。关键的是，模型在高准确性的同时实现 117.49 FPS 的高推理速度，显示出实际效率。Grad-CAM 可视化进一步表明，模型关注 B 模式图像中与背膘相关的区域，支持其预测可解释性。结果表明，BTPM 在实验室条件下可为背膘厚度评估提供准确高效的方法，其设计特征也提示其有望用于屠宰线操作，但仍需进一步验证。
-
深度学习增强的多模态数据融合用于预测超声处理猪肉中的凝胶强度和持水性
查看原文
2026
Food Control
中科院一区JCR一区
Huanhuan Li, Chenhui Li, Xorlali Nunekpeku, Wei Sheng, Wei Zhang, & Selorm Yao-Say Solomon Adade
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
畜肉 质构与流变性质 物理辅助加工 光谱/色谱/质谱等分析方法 显微与成像技术 蛋白质与氨基酸改善猪肉糜凝胶品质仍是肉制品加工行业的重要挑战，会影响产品完整性和消费者满意度。本研究探讨使用超声处理提高猪肉糜凝胶强度和持水性的效果，并基于融合光谱和图像数据建立多模态无损预测模型。研究设置不同超声处理时间，其中 20 min 处理获得最佳凝胶强度 338.2 g × cm 和持水性 77.87%。为理解这些改善背后的理化机制，研究采用拉曼光谱和基于图像的纹理分析。拉曼结果显示蛋白质二级结构发生显著变化，包括展开和重组；凝胶表面的灰度共生矩阵分析表明结构均匀性增强、随机性降低。这些互补特征通过低层数据融合策略整合，并采用极限学习机、支持向量机和卷积神经网络进行建模。基于增强融合数据集训练的 CNN 模型取得最高预测准确率，凝胶强度 Rp 为 0.8954，持水性 Rp 为 0.8887，表明结合化学和空间描述符用于实时质量监测具有潜力。本研究不仅证实了超声改善猪肉凝胶品质的有效性，也提出了用于智能肉品加工和无损质量评估的稳健且可解释框架。
-
SS-CNN BruiseFinder：基于高光谱成像和 CNN 空间-光谱融合的李子碰伤无损分析
查看原文
2026
Food Control
中科院一区JCR一区
Shanthini K.S., Sudhish N. George, Jobin Francis, & Sony George
计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
新鲜水果 品质、结构与理化性质 保藏与贮藏 光谱/色谱/质谱等分析方法 显微与成像技术李子在采后处理过程中容易发生机械碰伤，而早期碰伤通常难以通过肉眼识别。本研究开发了 SS-CNN BruiseFinder 模型，利用 Vis-NIR 高光谱图像中的空间和光谱特征融合，实现李子碰伤无损检测和碰伤时间分类。研究从挪威水果商店购买李子，并通过受控冲击试验造成人工碰伤，即从固定高度释放 60 g 砝码撞击果实。研究使用 400-1000 nm、204 个光谱波段的高光谱系统，分别在碰伤后 30 min、1 h、3 h、6 h、12 h、24 h 和 48 h，以及健康对照阶段采集图像，共获得 3360 个原始高光谱图像样本。SS-CNN BruiseFinder 结合光谱特征提取、空间特征提取和特征融合，并与自定义光谱 CNN、ResNet101 和双向 LSTM 在同一数据集上比较。该模型对潜伏早期碰伤的检测准确率为 68.5%，对较久碰伤的检测准确率为 91.5%，不同碰伤时间分类场景中的准确率为 67.39%-98.16%。作者公开了代码。结果表明，空间-光谱 CNN 融合可支持供应链中碰伤李子的无损分选、鲜度评估和质量信息传递。
