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
-
计算机标签
模型可解释性 模型轻量化/边缘计算 过程控制与实时优化 多模态/融合数据 可见光/RGB/视频数据食品标签
复合/即食/餐饮食品 特征风味 传统热加工食品干燥是农产品加工中的关键操作。然而，在工业规模上实现高质量、节能干燥受到黑箱监测难题限制，该难题源于材料生物变异性、热敏性和强过程耦合。为解决这一问题，多模态传感器融合技术通过整合机器视觉、光学、介电和化学传感方法提供了潜在路径。该集成可同时获取干燥过程中材料形态、内部组成和风味谱等多维信息，从而缓解单一模态传感的局限。与人工智能算法结合后，还可进一步促进智能闭环控制策略的发展。本文系统梳理了用于食品干燥的多传感器技术，详细说明其原理、应用和局限；随后考察多模态数据融合的核心机制，包括时空对齐、动态加权、互补设计和冲突解决。后续部分综述模型预测控制、神经模糊系统和数据驱动算法等智能控制策略，分析其利用融合数据优化干燥过程的潜力和挑战。文章通过案例研究客观识别传感器适应性、模型泛化和系统集成方面的关键瓶颈。最后，本文强调仿生传感、边缘智能、数字孪生和可解释人工智能等新兴方向，并指出建立统一性能指标和开展成本效益分析对实际实施至关重要，为未来智能食品干燥发展提供系统参考。
-
利用深度学习检测和识别显微图像中的昆虫源加工动物蛋白
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Cyril Kaisin, Pascal Veys, Abigaël Anselmo, & Bernard Gosselin
计算机标签
卷积神经网络 目标检测网络 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
昆虫蛋白 食品安全与风险评估 其他安全问题 显微与成像技术 蛋白质与氨基酸在动物饲料中使用昆虫来源的陆生无脊椎动物加工动物蛋白（PAP），给欧盟官方监管带来了新的挑战。目前，这类成分的检测仅依赖光学显微镜，并且完全取决于经过培训的操作人员。近期研究指出，昆虫源 PAP 检测主要存在两个问题：一是将非昆虫结构误判为昆虫来源结构而导致的特异性不足；二是整只昆虫幼虫经研磨后形成的颗粒形态高度多样，难以准确分类。为解决这些问题，本研究开发了一种利用深度学习自动分析和分类显微图像的概念验证系统，并测试了由 YOLO 目标检测模型、改进的 ConvNeXt 架构及 Transformer 模块组成的分类流程。经过监督学习、训练和验证后，该模型能够有效区分昆虫颗粒与其他非昆虫材料，并能鉴别黄粉虫（Tenebrio molitor）和黑水虻（Hermetia illucens）来源的加工动物蛋白颗粒；两项任务的平均 Matthews 相关系数达到 0.89，准确率均超过 95%。模型具有稳健的性能和较快的处理速度，可与数字显微镜结合，实现颗粒的实时自动分类，并为每个颗粒的预测提供置信度。该人工智能模型为显微识别复杂结构的官方监管提供了新的可能，并可作为显微镜检验人员在复杂饲料基质中的图像分析优化和决策支持工具。
-
利用具有宽范围三色发射的双发射金属有机框架，通过纸基和溶液平台检测食品中残留的氧氟沙星
查看原文
2026
Food Chemistry
中科院一区JCR一区
Sameera Sh. Mohammed Ameen, Faisal K. Algethami, & Khalid M. Omer
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 红外/拉曼光谱数据食品标签
化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分开发多发射和多功能荧光探针对于可靠的食品安全监测至关重要。在这项工作中，我们提出了一种基于三重发射传感系统的宽色调方案，用于复杂食品基质中氧氟沙星（OFL）的检测。由双配体组装的杂金属铕/锌金属有机框架（BiL-Zn/Eu-MOF）在单波长激发下显示出强烈的蓝色和红色发射。在暴露于OFL时，两种发射均被猝灭，同时出现一个新的黄绿色发射带，从而实现高可靠性和高灵敏度的三通道比值评估。其机制整合了配位诱导发射、聚集驱动荧光以及内滤效应，同时双天线设计通过高效能量转移增强了红色发光。这一协同过程产生了高度稳定且灵敏的三重发射通道。该系统已成功应用于荧光测定（溶液中）以及智能手机辅助的溶液中和/或纸基平台，实现了对牛肉、鱼类和牛奶中OFL的准确定量。结果凸显了其作为一种实用且用户友好的食品安全分析工具的潜力。
-
开发一种非语言方法，通过视觉图像捕捉和表征香气引发的情感概念
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
Anne Churchill, Stephen R. Green, Julia D. Brooks, & David M.H. Thomson
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集食品标签
特征风味 感官科学与消费者研究 问卷/市场与消费者研究在整个香水行业中，人们普遍认为需要开发新的香水研发方向，这些方向应超越仅基于平均喜好评分的基准。与此相关的是一种关于情感非效价方面的概念，这些方面超越了喜好本身，却会影响消费者的情感和行为。如果香水开发者能够获取这些情感的非效价方面的信息，可能会提供此前未曾考虑过的新产品开发方向。然而，当进行口头提问时，消费者很难超越喜好进行思考。据推测，以图像为基础的研究方法可能提供了一条前进的道路。第一阶段描述了一种以图像为基础的方法，将110张图像与85个概念描述词联系起来。分析产生了一个四因素模型，其中因素1与积极性与消极性（价性）相关，而因素2、3和4与因素1正交，从定义上讲，这些因素通常是非价性特征。进一步分析显示，因素2、3和4包含22个非价性概念。在现有文献中，没有证据表明其他研究工具能够将价性与非价性概念区分开来。第二阶段涉及使用代表性子集的30张图像对79种商业香水进行消费者画像。将这些图像映射到第一阶段开发的图像概念空间，从而为每种香水生成概念画像。从中可以了解到每种香水如何引发价性和非价性概念，以及即使被同样喜爱的香水可能引发非常不同的非价性概念。这些方法论被详细描述，是基于这样的信念：它们可能为基于喜好的方法提供替代方案。
-
人工智能、机器学习、深度学习和计算机视觉在食品科学中的综合分析
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Premkumar Borugadda, & Hemantha Kumar Kalluri
计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
食品安全与风险评估 品质、结构与理化性质 显微与成像技术提供安全和优质的食品对每个家庭都至关重要，并且在任何社会的发展中具有极其重要的意义。这是一个复杂的过程，涉及所有关注从种子到收获、储存、加工和消费的食品加工发展的问题。本文旨在揭示人工智能、机器学习 (ML)、深度学习 (DL) 和计算机视觉 (CV) 在确保食品安全和质量方面的重要性。通过强调这些技术的重要性，观众会对其潜力感到放心和自信。这些技术对解决此类问题非常有用，可以保证食品安全。CV 在当今时代具有极大的价值，因为它提高了食品加工的质量，并对企业和研究人员产生了积极影响。因此，在当前的生产阶段，丰富的图像处理和计算机视觉被融入食品生产的各个方面。在该领域，深度学习（DL）和机器学习（ML）被用于识别食品类型以及质量。关于数据和结果导向的认知，人们发现了各种方法的相似性。因此，本研究的结果将对寻找合适方法以识别食品质量的学者有所帮助。它有助于指出其他学者讨论过的食品产品，并让读者了解其他学者的论文，从而倾向于进一步研究。此外，深度学习被准确地应用于识别市场上食品的质量和安全性。本文描述了机器学习、深度学习的当前实践与关注点，以及其未来发展的可能趋势。
