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
-
基于深度学习辅助的便携式拉曼光谱技术对虾中甲醛掺假的快速无损检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Chencheng Wei, Jiheng Zhang, Gaozheng Li, Yi Zhong, Zhaoting Ye, Handong Wang, Kezhi Li, Yuanzi Wu, Yuezhong Wu, Heng Luo, Qi Sun & Zuquan Weng
计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
甲壳类 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分甲醛（FA）是一种已知的致癌物，偶尔会被非法用作海鲜的防腐剂，而传统的甲醛残留检测方法往往无法满足无损检测的实际需求。在本研究中，我们开发了一种无需样品预处理、将便携式拉曼光谱仪与InceptionTime深度学习模型相结合的方法。该模型通过对虾表面的甲醛阴性和甲醛阳性拉曼光谱数据进行训练，在5毫克/千克（主要安全检测阈值）和100毫克/千克（滥用水平污染阈值）的检测阈值下，准确率分别达到84.40%和85.17%。代谢组学分析和权重可视化表明，该模型特别关注与特定氨基酸和虾青素结合蛋白相关的拉曼峰。此外，还发现两种氨基酸代谢物——硫代肉碱和棘肌碱是甲醛添加的直接指标。我们的模型为实时和现场甲醛检测场景提供了一种可现场部署且实用的方法。
-
从RGB图像到高光谱图像的光谱重建：以牛肉中谷氨酸指数的检测为例
查看原文
2025
Food Chemistry
中科院一区JCR一区
Fujia Dong, Ying Xu, Yingkun Shi, Yingjie Feng, Zhaoyang Ma, Hui Li, Zhongxiong Zhang, Guangxian Wang, Yue Chen, Jinhua Xian, Shichang Wang, Songlei Wang & Weiguo Yi
计算机标签
卷积神经网络 其他深度学习结构 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
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸利用光谱重构（SR）将RGB图像复原为全域高光谱图像（HSI），是实现高光谱图像实时、低成本应用的重要手段。以360份牛肉样本的谷氨酸指标检测为例，本文探究了11种当前主流重构算法在复杂食品体系中实现RGB图像向高光谱图像转换的可行性。通过多元相关性分析证实，RGB图像是三通道全覆盖宽波段信息的投影表征。本文提出融合峰值信噪比、参数量、浮点运算量的综合质量评价指标（PSNR-Params-FLOPS），筛选出最优重构模型，包括MST++、MST、MIRNet与MPRNet。同时引入结构相似性（SSIM）值与t分布邻域嵌入（t-SNE）方法，对重构结果的一致性进行评估。最后采用轻量化Transformer模型，分别构建原始高光谱图像、RGB图像及光谱重构高光谱图像（SR-HSI）的检测模型，用于牛肉谷氨酸指标的预测分析。实验结果表明，MST++模型在光谱重构任务中表现最优，其均方根误差、峰值信噪比、结构相似性分别为0.015、36.70、0.9253；经MST++重构后的模型预测效果（决定系数$R^2_P$=0.8422、相对分析误差RPD=2.46）与原始高光谱图像模型（$R^2_P$=0.8526、RPD=2.69）高度接近。该研究成果为RGB图像转高光谱图像技术提供了实际应用场景与详实的分析思路。
-
深度学习辅助荧光光谱在食品质量与安全分析中的应用
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Yuan Yuan, Zengtao Ji, Yanwei Fan, Qian Xu, Ce Shi, Jian Lyu & Per Ertiberg
计算机标签
深度学习 卷积神经网络 循环神经网络 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析食品标签
品质、结构与理化性质 食品安全与风险评估 光谱/色谱/质谱等分析方法背景：荧光光谱因其快速、准确的测量特性，已被广泛应用于食品和农产品的质量评估。荧光光谱产生的大量荧光数据或图像需要更高效的化学计量学方法来处理和分析。然而，传统的机器学习模型在分析高维荧光数据样本时难以实现高精度预测。深度学习算法在荧光光谱的特征提取和回归建模方面展现出强大的自动学习能力。
范围与方法：本文首先通过食品中荧光物质的表征，阐明了荧光光谱的复杂、抽象和高维特征。其次，本文重点介绍了荧光光谱分析过程中面临的各种挑战，并总结了几种能够解决这些问题的深度学习算法，包括卷积神经网络（CNN）、长短时记忆网络（LSTM）和自编码器（AE）。此外，本文根据不同检测目标（包括食品安全检查、食品质量评估、掺假识别和品种鉴定）综述了基于荧光数据的深度学习模型在食品检测中的应用。本综述还重点关注了该技术在食品质量与安全检测中的未来发展趋势。
主要发现与结论：深度学习与荧光光谱相结合在食品质量检测和食品鉴别分类方面显示出巨大潜力。选择合适的代表性输入参数、预处理方法和优化方法可以有效解决样本不足和模型过拟合的问题。由于人工智能的快速发展，基于深度学习的荧光光谱技术有望朝着高精度、高通量、自动化和低成本的方向发展。 -
使用已开发的可见/近红外光谱系统和悬挂式抓手在线评估草莓可溶性固体含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yu Qiao, Chen Wang, Wenhui Zhu, Li Sun, Junwen Bai, Ruiyun Zhou, Zhihua Zhu & Jianrong Cai
计算机标签
偏最小二乘法 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
新鲜水果 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 碳水化合物与糖类对草莓内部品质的在线检测面临着特别多的挑战，涉及果实损伤、检测准确性和加工效率。本研究探讨了在吊挂运输过程中使用Vis/NIRS在线检测草莓SSC的可行性。在分析草莓的SSC分布后，开发了光学传感系统，并通过PLSR模型确定了最优配置。当使用水平光学束穿过草莓中心时，PLSR模型结合SNV预处理和CARS特征选择，实现了最佳的传统化学计量结果（RPD为4.793）。此外，还研究了三种1D-CNN方法，其中1D-CNN-LSTM方法表现更优（为0.963，RMSEP为0.209°Brix，RPD为5.332）。这些发现展示了我们开发的系统在深度学习技术的增强下，在草莓中在线检测SSC的卓越能力。这项工作可能为在线评估小而脆弱水果的内部质量开辟新途径。
-
短波红外高光谱成像结合机器学习在新鲜香菜冷害检测中的应用
查看原文
2025
Food Control
中科院一区JCR一区
Navavat Pipatsart, Mutita Meenune, Apirak Hoonlor, Nuttawee Niamsiri, Napassorn Punyasuk, Stefan Mairhofer & Sittiwat Lertsiri
计算机标签
卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
新鲜蔬菜 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素香菜在低温运输和冷藏保鲜过程中极易发生冷害，导致品质劣变。这种冷害在早期阶段难以察觉，因此需要快速准确的检测方法。本研究展示了短波红外高光谱成像技术结合机器学习在香菜质量控制中的应用。在评估机器学习算法对冷害的有效分类之前，先进行了SWIR区域相关波长的选择。通过与水分、总叶绿素和颜色等传统测量方法进行比较，探索了SWIR-HSI对早期冷害的检测能力。值得注意的是，SWIR-HSI在冷藏7天后即能检测到早期冷害，而传统测量方法则需要14天才能观察到。此外，通过SWIR-HSI应用识别了不同种植批次香菜的挥发性有机化合物谱差异，结果与气相色谱-质谱分析一致。这些发现表明了SWIR-HSI结合机器学习作为快速准确判定香菜品质技术的潜力。在所测试的K近邻、支持向量机、随机森林分类器、多层感知机和卷积神经网络等机器学习算法中，CNN结合基于CNN的波长选择在早期冷害分类中表现最佳，准确率达到94%。
