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 393 条结果
-
基于碳量子点的比色传感器阵列和计算机视觉的安化黑茶智能储藏年份识别
查看原文
2026
Food Chemistry
中科院一区JCR一区
Wu Wang, Ye He, Wenjie Zhou, Yangao Zhu, Xiao-Zhi Wang, Yao Chen, & Tong Wang
计算机标签
卷积神经网络 智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据食品标签
茶/茶饮料 保藏与贮藏 货架期预测与品质劣变动力学 食品安全与风险评估 其他安全问题 显微与成像技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮衰老显著影响安化黑茶的品质和价值，但快速年份识别仍然具有挑战性。本研究开发了一种结合深度学习的比色传感器阵列（CSA），用于安化黑茶储存年份的快速识别。该CSA使用五种碳量子点（CQDs），能够与茶叶成分（如氨基酸、多酚类）特异性相互作用，随储存时间产生颜色变化；这些变化可通过智能手机在紫外光照射下捕捉。获得的图像直接使用深度学习模型（ResNet18、VGG16、DenseNet121、MobileNetV3-Small 和 EfficientNet B0）进行分析。其中，ResNet18 达到最高准确率（92.4%），优于基于传统RGB的模型如PLS-DA（57.6%）和PCA-LDA（63.6%）。此外，还创建了一个用户友好的图形用户界面，方便非专业人员操作。本研究提出了一种新颖、经济高效且高度可及的安化黑茶鉴定检测平台，为食品质量控制和真实性评估的实际应用提供了广阔的潜力。
-
基于 RGB 图像特征提取快速无损估计蓝靛果忍冬果实品质属性
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Jian Zhang, Jixiao Li, Xiangji Meng, Yue Yang, Yidan Lyu, & Yoichiro Hoshino
计算机标签
深度学习 缺陷/异物检测与定位 多模态/融合数据 可见光/RGB/视频数据食品标签
新鲜水果 颜色与外观品质 抗氧化/抗炎等功能 显微与成像技术 花青素与类胡萝卜素蓝靛果忍冬是一种具有极高抗氧化活性和显著健康益处的浆果，但目前仍缺乏高效、无损的品质评价方法。为解决这一问题，本研究开发了基于 RGB 图像的深度学习检测模型，用于预测蓝靛果忍冬果实的花青素含量和可溶性固形物含量。该框架首先应用 YOLOv8 进行精确果实定位，随后使用 VGG16、VGG19 和 YOLOv8n 网络从定位后的果实区域提取特征。提取的特征经自适应平均池化模块压缩后，输入全连接回归模型，用于果实品质指标的定量预测。结果显示，YOLOv8n 提取的特征在预测花青素和可溶性固形物方面表现最佳，R2 分别为 0.93 和 0.79，RPD 分别为 3.81 和 2.20（AAP 尺寸为 3 x 3）。进一步分析表明，YOLOv8n 融合了多尺度浅层和深层语义纹理，相比仅依赖高层特征的 VGG 网络产生了明显更好的预测效果。特征数量与模型性能之间呈非线性关系，说明适度压缩能够保留更丰富的果实特征。花青素预测精度显著高于可溶性固形物，提示与色素相关的性状更容易由表面外观表征；相反，内部理化性质需要通过多模态数据融合提高可靠性。本研究证明了基于深度学习的图像分析用于果实无损品质评价的可行性，为蓝靛果忍冬品质分级和采收管理提供了高效、低成本方案。
-
用于食品食材识别与营养素估算的视觉–语言模型比较研究
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Shenglong Wang, Guorui Sheng, Hongfei Yan, Weiqing Min, & Shuqiang Jiang
计算机标签
其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据 文本/知识库/法规数据 大规模数据集 公开数据集食品标签
复合/即食/餐饮食品 品质、结构与理化性质 营养与生物功能 显微与成像技术 食品成分/消费数据库分析 常量营养素（宏量）准确评估食品组成对于理解其营养和感官特性至关重要。传统膳食评估方法通常受到主观输入和可重复性不足的限制。本研究探索视觉–语言模型在自动化食品组成分析中的应用，重点考察食材识别和营养素估算两项任务。研究使用Nutrition5K数据集评估多种先进视觉–语言模型；该数据集包含真实食品图像及食材级标注。为提高模型对复杂食品结构的敏感性，作者提出一种渐进式多视角图像识别方法，以增强食材识别能力；同时提出利用食材标签引导营养素估算的提示策略。结果显示，大多数视觉–语言模型能够有效识别食品中的主要成分，但在定量估算营养素含量方面仍存在困难，尤其是在处理复合菜肴或视觉信息模糊的食品时。研究结果揭示了人工智能辅助食品组成分析的潜力与局限，并为未来融合化学、视觉和计算信息的方法提供了参考。
-
基于光谱重塑和动态注意力驱动深度学习的蓝莓早期碰伤无损检测
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Yuping Huang, Zhouchen Bian, Khurram Yousaf, Xuzhong Cao, Haojun Jin, Dong Hu, Ye Sun, Weijun Xie, & Chenlong Fan
计算机标签
深度学习 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 可见光/RGB/视频数据食品标签
新鲜水果 微观结构与成像 显微与成像技术蓝莓果皮柔软，在采收和运输过程中极易发生碰伤。因此，早期检测碰伤对提升经济价值和满足市场需求至关重要。本研究旨在通过整合光谱数据重塑方法和引入动态注意力融合机制的改进深度学习模型，建立一种早期蓝莓碰伤无损检测新框架。研究还进行微观结构分析，以增强光谱数据解释性。比较了使用一维光谱曲线的传统模型和使用包含重塑光谱数据二维图像的深度学习模型。结果表明，在 400-1000 nm 范围内，偏最小二乘判别分析（PLSDA）和支持向量分类（SVC）取得相近准确率；在 1350-2200 nm 范围内，SVC 表现更好，准确率为 91.2%。深度学习模型在重塑的二维光谱数据集上表现突出，其中 DAF-EfficientNetV2 在原始和增强数据集上均取得最高分类准确率，即在 400-1000 nm 范围内分别为 98.5% 和 99.7%，在 1350-2200 nm 范围内分别为 95% 和 99.2%。这些结果证明，将所提出的光谱数据重塑方法与注意力增强深度学习模型结合具有有效性。
-
用于检测无麸质啤酒中麸质的 AI 驱动计算机视觉方法
查看原文
2026
Food Control
中科院一区JCR一区
Ana M. Pérez-Calabuig, Sandra Pradana-López, John C. Cancilla, Sandra López-Ortega, & José S. Torrecilla
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
小麦 酒精饮料 食品安全与风险评估 品质、结构与理化性质 显微与成像技术本研究提出了一种 AI 驱动的计算机视觉方法，利用残差卷积神经网络 ResNet50 检测无麸质啤酒中的麸质污染。啤酒样本图像由放置在隔光箱中的数字相机在受控照明条件下采集，并通过两种快门速度（1/30 s 和 1/250 s）以及两种广泛消费的商业啤酒品牌引入变化。研究使用 4000 张啤酒图像训练和验证深度学习模型。经 6 折交叉验证训练的优化模型获得了 88.8% 和 88.9% 的较高分类准确率，并成功识别低至 2.5 ppm 的麸质污染。该方法并非替代 ELISA 等传统方法，而是设计为混合顺序决策系统，其中 AI 计算机视觉工具作为快速预筛查方法，只有被标记为可能污染的样本才进一步使用 ELISA 等传统实验室方法分析。该策略提高了麸质检测效率，并减少了昂贵实验室检测的数量。深度学习与传统分析结合提高了效率，缩短了处理时间，并降低了麸质检测中假阴性的风险。该方法为酿造行业提供了一种强大、低成本且易获取的工具，有助于改善无麸质啤酒生产中的质量控制和消费者安全。
