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 339 条结果
-
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。
-
基于高光谱成像的小样本不完善小麦籽粒多模态融合分类方法
查看原文
2026
Food Control
中科院一区JCR一区
Guangran Bai, Tingsong Zhang, Lexiao Cai, Ziyuan Liu, Yimin Zhou, Yiqing Xu, Tong Sun, & Lu Zhou
计算机标签
深度学习 主成分分析/判别分析 分类/鉴别/等级评定 多模态/融合数据 高光谱/多光谱光谱食品标签
小麦 加工与新加工技术 显微与成像技术 标准/法规/数据库分析高效、准确分类不完善小麦籽粒对于小麦产业育种和生产十分重要。本研究提出一种基于高光谱成像的多模态融合方法，用于解决不完善小麦籽粒分类中的小样本问题。研究结合光谱和图像信息，使用经典机器学习算法和深度学习模型构建了四类分类模型。研究对象包括发芽粒、虫蚀粒、破损粒和完整粒，样品通过标准化人工模拟方法制备，并划分为训练集（Field A，每类 20 个样品）以及独立测试集（Field B 和 Field C，每个田块每类 10 个样品），以保证泛化验证可靠。特征处理方面，光谱数据采用主成分分析降维并保留 95% 原始信息，图像特征包括手工特征以及由预训练 ResNet18 提取的深度特征。实验结果显示，融合光谱和图像特征的多模态方法显著优于单一光谱模型。其中，所提出的多模态注意力融合网络在每类仅 20 个样品条件下平均准确率达到 90.2%，AUC 为 0.96；与传统方法相比，准确率提高 25%。研究结果强调，在样本量有限时，多模态融合方法可显著提升不完善小麦籽粒检测性能。
-
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。
-
食品分析中高级算法与成像技术的综述：通向未来的道路
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Carlos Eduardo Marques Pratas, Fernando Ramos, Joel P. Arrais, & Ana Sanches Silva
计算机标签
深度学习 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 小规模数据集食品标签
食品安全与风险评估 品质、结构与理化性质 显微与成像技术背景：人工智能（AI）工具有潜力通过支持更快速的分析、实时监控、大数据管理和增强的检测能力，彻底改变食品安全和质量评估。尽管将人工智能与化学计量学结合的兴趣日益增加，但针对具体领域的综合性综述仍然稀缺。范围与方法：本研究探讨了人工智能在食品分析中的变革性作用，提供了关于该领域最新发展和实际应用的视角。通过采用系统的方法进行文献筛选和数据解释，本研究提供高质量的研究成果，旨在支持未来在食品安全与保障方面的进步。主要发现与结论：所进行的分析表明，经典算法在早期研究阶段仍然至关重要，为先进神经网络奠定了基础。此外，整合多种算法已被证明在提升最终模型的准确性和精确性方面是有效的。然而，基于人工智能的模型仍面临与数据偏差、变异性和有限数据集规模相关的持续挑战，以及模型特有的限制，如高计算成本和有限的可解释性。因此，设计有效的分析框架需要仔细考虑关键因素，包括数据的性质、研究目标和可用的计算资源，因为这些因素直接影响人工智能方法的透明性、性能和整体成功。
-
基于矿物元素和品质成分机器学习特征融合的红美人柑橘地理标志真实性鉴别
查看原文
2026
Food Control
中科院一区JCR一区
Tao Jiang, Jinfang Zhu, Aying Wen, Jianjun Ding, Yuhang Du, Shaofeng Yuan, Yahui Guo, Yuliang Cheng, Hang Yu, & Weirong Yao
计算机标签
深度学习 偏最小二乘法 定量预测/回归分析食品标签
新鲜水果 食品安全与风险评估 其他安全问题 矿物质与微量元素由于红美人柑橘具有地理标志优势，经济利益驱动下的产地欺诈问题开始出现。本研究提出一种基于机器学习的矿物元素与品质成分特征融合方法，用于红美人柑橘地理标志真实性鉴别。研究通过投影变量重要性和 Boruta 算法筛选特征矿物元素和品质成分，并构建特征融合数据集。随后应用 K 近邻、极端梯度提升、偏最小二乘判别分析和多层前馈神经网络等机器学习模型进行地理标志鉴别。VIP 和 BA 特征融合数据集的模型泛化性能均优于原始融合数据集和单一数据集；与 VIP 相比，BA 在特征选择和融合数据集模型性能提升方面更有效。基于 BA 特征融合数据集的 XGB 模型泛化性能最佳，总体准确率为 87.7%，对地理标志产地的召回率和精确率均为 93.8%，ROC 曲线下面积为 0.997。K、Mg、Mn、Fe 等特征矿物元素，以及可溶性固形物、果糖、抗坏血酸和总酚等特征品质成分可作为真实性标志物。研究还开发了基于 XGB 和 BA 特征融合数据集的 Shiny 应用，用于在线地理标志鉴别。总体而言，该研究为避免水果产地欺诈提供了一种有效策略。
