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
-
深度学习增强的微流控纸基荧光传感器用于农药和金属离子的同步检测
查看原文
2026
Food Control
中科院一区JCR一区
Xu Yan, Shiquan Qian, Xinpei Li, Jing Li, Xiuxiu Wu, Min Yuan, & Fei Xu
计算机标签
目标检测网络 缺陷/异物检测与定位 红外/拉曼光谱数据 可见光/RGB/视频数据食品标签
新鲜蔬菜 化学污染物 加工与新加工技术 显微与成像技术 其他特殊成分蔬菜中农药残留和重金属离子的同步监测具有挑战性，因为这些污染物化学性质差异较大，通常需要不同分析流程。本研究开发了一种结合深度学习的微流控纸基荧光适配体传感器，用于同步检测高效氯氟氰菊酯、啶虫脒、毒死蜱和 Cd(II)。多通道纸芯片提供独立检测区，目标物结合诱导适配体构象变化并恢复荧光信号。研究构建了基于 YOLO 深度学习框架的多目标浓度自动获取模型 MCAAM，用于自动分析荧光图像、定位检测区域、分类目标并估计浓度。数据集包含 158 张图像，划分为训练、验证和测试集，并对训练图像进行三倍增强。最佳 YOLOv12n-MCAAM 模型 mAP50 为 0.995，F1-score 为 1，精确率和召回率均为 1，测试集分类准确率为 91.3%，可将图像处理时间由分钟级缩短至毫秒级。该系统对高效氯氟氰菊酯和毒死蜱的线性范围为 10-1000 nM，对啶虫脒和 Cd(II) 的线性范围为 10-200 nM，检出限分别为 5.842、7.122、11.70 和 8.560 nM。真实样品分析表明其具有快速多污染物监测潜力。
-
基于MSA Transformer算法优化的玉米籽粒破碎率定量检测方法
查看原文
2026
Food Research International
中科院一区JCR一区
Yongkun Qiao, Mengmeng Qiao, Chenlong Fan, Tao Cui, Ying Liu, Caiyuan Zhang, Mingyou Sun & Yuhao Wu
计算机标签
其他深度学习结构 特征工程与选择策略 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 可见光/RGB/视频数据食品标签
玉米 颜色与外观品质 过程监测与在线检测 显微与成像技术机械化收获过程中的玉米籽粒破碎率直接影响食品质量和经济回报。然而，目前的定性检测方法无法准确评估玉米籽粒破碎率。本研究提出了一种基于机器视觉和深度学习算法的玉米籽粒破碎率定量检测模型。从籽粒图像中总共提取了27个特征，包括几何、形状、颜色和纹理特征。此外，通过集成多尺度特征融合和注意力机制，开发了一种改进的基于Transformer的深度学习模型——MSA Transformer。该模型使用并行分支进行多粒度特征提取，通过全局和局部注意力增强显著信息，并应用全局平均池化以提高效率。与其他模型相比，MSA Transformer在分类实验中达到了98.03%的分类准确率，优于标准Transformer 2%。平均精确率、召回率和F1分数分别达到99.13%、98.03%和97.87%。在质量回归任务中，完整和破碎籽粒预测的相关系数(r)分别达到0.9507和0.9653；决定系数(R2)分别达到0.9038和0.9318，均方根误差(RMSE)均低于0.0141。定量检测模型预测的破碎率与实际测量值高度吻合，R2为0.9887，相对误差约为6%。特征重要性分析强调了颜色和纹理特征在分类中的主导作用，以及几何特征在质量预测中的主导作用。本研究为食品质量的在线定量评估提供了理论基础。
-
一种使用深度学习在体内高精度估算猪眼肌面积和背膘厚度的框架
查看原文
2026
Meat Science
中科院一区JCR一区
Yongpeng Li, Yihao Liu, Rong Xu, Chenggan Li, Xian Tong, Liping Pan, Ziyun Liang, Qingshuang Zhou, Yaosheng Chen, Xiaohong Liu, & Delin Mo
计算机标签
深度学习 定量预测/回归分析 可见光/RGB/视频数据 超大规模/工业级数据集食品标签
畜肉 质构与流变性质 显微与成像技术 脂质与脂肪酸眼肌面积（EMA）和背脂厚度（BFT）是猪胴体价值的关键决定因素。虽然超声成像可以在活体动物中进行非侵入性估计，但测量精度常常受到图像噪声的影响。手动分割肌肉和脂肪边界不仅劳动密集，而且容易出现操作人员之间的差异。为克服这些限制，本研究开发了一种基于深度学习的猪超声图像自动分割框架，以准确估计EMA和BFT。我们构建了一个包含10,088张猪超声图像的大规模数据集，并评估了六种神经网络架构。其中，ReAMS-UNet在眼肌区域的分割性能最高，交并比（IoU）为0.9788，Dice系数为0.9893。该模型的EMA估计结果与人工分析高度一致，产生了平均绝对误差（MAE）为0.359 cm²，决定系数（R²）为0.9964。在BFT估计中，将精确图像二值化与眼肌分割相结合的综合方法，与人工测量相比，MAE为0.562 mm，R²为0.9910。此外，与实际胴体数据的相关性分析显示，两种性状的皮尔逊相关系数均超过0.9，表明该框架的表现与经验丰富的技术人员相当。这些结果强调了所提方法在提高猪业效率和客观性方面的潜力。
-
台式挥发组学与先进卷积神经网络工作流用于准确且可解释的食品鉴定
查看原文
2026
Food Chemistry
中科院一区JCR一区
Farbod Bayat-Afshary, Nima Naderi Tehrani, Lukas Bodenbender, Philipp Weller, & Hadi Parastar
计算机标签
卷积神经网络 主成分分析/判别分析 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 小规模数据集食品标签
新鲜水果 植物油 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质通过气相色谱-离子迁移谱（GC-IMS）分析挥发性有机化合物（VOCs）具有高灵敏度、分析快速且样品制备最少的优点，但其二阶数据使得峰对齐、特征提取和分类变得复杂。本研究提出了一种使用卷积神经网络（CNN）的深度学习（DL）工作流程，将GC-IMS色谱图视为图像。评估了两种CNN架构--简化型和复杂型--在橄榄油和柑橘数据集上的表现；简化模型分别实现了96.4%和98.3%的分类准确率。为了解决样本量有限的问题，开发了一种特定于GC-IMS的数据增强方法，该方法模拟合理的仪器漂移而不会化学性地扭曲信号。为了可解释性，显著性图揭示了判别特征，而主成分分析（PCA）将这些特征综合为每类的代表性负载图像，展示稳定的集体VOC特征，而非单个样本的解释。通过将化学计量学的可解释性与深度学习的预测能力相结合，该框架为GC-IMS数据分析提供了一种稳健且可解释的方法，适用于实际实验室部署。
-
基于 X 射线计算机断层成像的富士苹果水心病与碰伤同步无损检测：双阈值分割与机器学习分类
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Haitao Fu, Menglong Ma, Yixiao Wang, Ziwei Wang, Jun Wang, Xiaodan Liu, Huang Dai, Fuwei Pi, Jiahua Wang, & Ming Zhang
计算机标签
图像分割网络 支持向量机 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
新鲜水果 品质、结构与理化性质 加工与新加工技术 显微与成像技术在中国和日本等市场，水心病和碰伤是决定高等级富士苹果商业价值的关键因素。本研究提出一种结合 X 射线计算机断层成像（CT）、图像处理和机器学习的无损方法，用于同步检测水心病与碰伤并对水心病严重程度分级。基于阈值的分割方案（水心病 GSV > 437，碰伤 GSV < 0）能够精确三维重建受影响组织。研究提取关键形态学和统计参数，其中三维体积、平均灰度值和周长与水心病指数（WI）高度相关（R > 0.8，p < 0.001）。三种机器学习分类器 LDA、SVM 和 RF 对四级 WI 分类（正常、WI = 1-3）的验证准确率分别为 82.87%、91.20% 和 90.28%，AUC 均较高（>0.9）。SHAP 分析证实不同模型中特征重要性具有一致性，关键特征为三维体积、平均灰度值和周长。重要的是，CT 可追踪贮藏期间水心病缓解过程：在 4 摄氏度贮藏 9 周后，水心体积分数由 13.04%（WI = 1）、17.53%（WI = 2）和 33.5%（WI = 3）下降至 3.6-10.1%。研究建立了 11.2% 的 WVF 诊断阈值，并提出贮藏策略：WI = 1 立即销售，WI = 2 贮藏不超过 6 周，WI = 3 不超过 8 周食用。该框架有助于优化感官品质、市场价值和供应链效率，为制定定向流通策略提供科学依据。
