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。
-
红外光谱结合深度学习从原料描述熟米饭质构特性：揭示加工过程中的光谱变化和内部相关性
查看原文
2026
Food Control
中科院一区JCR一区
Rui Tang, Ting Yu, Zi Li, Junru Wu, Xiaoming Zheng, Leiqing Pan, Yang Chen, Kun Duan, Hui Dong, & Weijie Lan
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据食品标签
大米 质构与流变性质 传统热加工 光谱/色谱/质谱等分析方法 常规理化指标测定 碳水化合物与糖类本研究探讨了直接基于原料红外光谱描述熟米饭质构特性的潜力，质构指标包括硬度、黏附性、内聚性、弹性、胶黏性和咀嚼性。研究采集了亚洲地区 122 个水稻品种的近红外和中红外光谱。光谱方差分析显示，热加工在 1380 nm 的近红外波长和 890 cm-1 的中红外波数处引起强烈变化。此外，约 2000 nm 和 980 cm-1 的特定光谱区域在米饭蒸煮过程中表现出较强相关性，这与淀粉和水分变化有关。基于熟米饭 NIR 和 MIR 光谱的卷积神经网络模型能够较好预测质构特性，尤其是硬度的 Rv2 分别达到 0.92 和 0.95。值得注意的是，基于原料中筛选出的 MIR 和 NIR 特征变量建立的支持向量机模型能够直接描述熟米饭质构，Rv2 >= 0.90。结果表明，红外光谱结合深度学习可用于从原料描述熟米饭的质构特性。
-
基于可见-近红外光谱和多任务残差一维 CNN 模型的猪肉品质无损同步检测
查看原文
2026
LWT
中科院一区JCR一区
Wei Ning, Xiaoxiao Zhao, Ruoxin Chen, Xufen Xie, Gongliang Zhang, Jingran Bi, & Hongman Hou
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 红外/拉曼光谱数据食品标签
畜肉 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸肉类贮藏和加工过程中脂肪与蛋白质的降解和氧化是肉品质量控制与安全评价的重要因素，pH、TVB-N 和 TBARS 是反映这些过程的关键指标。传统光谱检测方法通常需要训练多个独立模型分别预测不同属性，过程复杂且耗时。为评估猪肉品质无损同步检测的可行性，本研究基于可见-近红外光谱建立了多任务残差一维卷积神经网络（MTR-1D-CNN）模型，用于猪肉样品的无损同步检测。研究将 MTR-1D-CNN 与单任务深度学习模型进行比较，包括长短期记忆网络和一维卷积神经网络。MTR-1D-CNN 对三项指标的预测结果显示，各品质指标的 Rp 均大于 0.92，R2p 均超过 0.80，RPD 均超过 2.5，说明该方法具有较高准确性和可靠性。总体而言，本研究实现了猪肉品质指标的无损同步检测，并凸显了多任务深度学习在食品质量监测中的优势和潜在应用，为食品工业高效检测与质量控制提供了新思路。
-
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。
