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 1098 条结果
-
基于X射线成像和深度学习分类器优化与比较的山茶籽和板栗内部缺陷无损分类
查看原文
2025
Food Control
中科院一区JCR一区
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 中等规模数据集食品标签
豆类与坚果（及籽类） 微生物安全 显微与成像技术山茶籽和板栗是重要的坚果资源，但虫蛀、霉变和枯萎等内部缺陷带来了重大的食品安全风险和经济损失。本研究通过结合低能量X射线数字放射成像技术与深度学习模型，开发了一种对这些内部缺陷进行无损分类的方法。采用图像增强技术将数据集规模扩大了十倍，得到2040张山茶籽图像和2370张板栗图像，并将其划分为训练集、验证集和预测集。通过超参数搜索策略优化了三种深度学习架构（VGG16、ResNet18和DenseNet121），并基于灵敏度、特异性、准确率和曲线下面积比较了它们的性能。结果表明，DenseNet121在山茶籽分类上表现最佳，AUC达到0.9991；而ResNet18在板栗分类上最优，AUC为0.9234。这种X射线DR与深度学习相结合的方法，为坚果的工业级质量控制提供了一种可行、快速且无损的解决方案，克服了其他成像技术（如穿透深度和成本）的限制。
-
公共卫生智能技术：重塑食品安全的未来
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
机器学习/统计学习 知识抽取与语义理解 文本/知识库/法规数据食品标签
食品安全与风险评估全球消费的食品，作为生命的基本要素，正受到现代供应链和全球分销网络日益复杂的威胁。随着这些网络的扩展，污染、质量下降和安全漏洞的风险也随之增加，危及数十亿人的生命并侵蚀着全球食品供应的信任。本文探讨了智能技术——区块链、人工智能（AI）、物联网（IoT）和数字孪生——如何通过透明度、实时监测和预测性风险管理来重塑食品安全。关键案例研究阐述了它们的实施和影响，包括区块链在快速追溯中的作用、AI的预测性风险评估能力、IoT对持续监测的支持，以及数字孪生用于预防危害的预测性模拟。这些工具共同促进了可持续性、运营效率和消费者信任。然而，广泛采用仍面临技术、财务和监管方面的障碍。本综述还探讨了智能技术在食品安全中的社会经济影响，强调了技术获取方面的差距，特别是在发展中地区。通过使用Scopus和Web of Science等数据库进行了系统的文献检索，综合了过去十年的同行评议研究、行业报告和案例。通过整合技术进步与社会经济见解，这项工作提供了关于食品安全智能技术转型的整体视角。因此，它呼吁政策制定者、行业利益相关者和研究人员采取行动，建立一个有韧性、包容且技术赋能的全球食品安全体系——确保每一餐都安全、优质，并体现创新与合作的力量。
-
食品保护中的纳米纤维传感器：合成、检测与未来展望
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
深度学习 模拟与数字孪生 文本/知识库/法规数据食品标签
食品安全与风险评估对有效食品安全监测日益增长的需求推动了纳米纤维传感器的发展，与传统的检测方法相比，它们具有显著优势。静电纺丝和溶液吹纺技术因其能够生产具有高比表面积、可调孔隙率和增强功能化潜力的纳米纤维而成为主流合成技术，从而提高了传感器在食品安全应用中的性能。与传统检测方法相比，纳米纤维传感器表现出更高的灵敏度、特异性以及更快的污染物检测速度，从而能够对食源性危害进行早期干预。物联网、人工智能和预测分析等新兴技术的集成，通过实现实时监控、自动化数据分析和先进的污染预测，进一步增强了这些传感器的功能。这些进步使纳米纤维传感器成为确保食品质量和安全的变革性解决方案，为更高效、更智能的食品监测系
-
GC-IMS和化学计量学识别蛋黄粉加工中的关键风味控制点
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
智能手机/其他 过程控制与实时优化食品标签
蛋类及其制品 传统热加工 特征风味 光谱/色谱/质谱等分析方法蛋黄粉（EYP）的工业化生产在风味质量控制方面持续面临挑战，尤其是在关键热处理阶段缺乏实时监测系统。为了解决这一问题，本研究采用气相色谱-离子迁移谱（GC-IMS）建立了从新鲜蛋黄液（EYL）到最终脱水EYP的连续加工阶段的动态风味指纹图谱。通过全面的挥发性化合物分析，我们鉴定出26种特征挥发性物质，包括对蛋源风味至关重要的醛类、酮类和酯类。多元统计分析揭示了9个可能调控风味轮廓演化的关键差异标志物，而相对气味活度值（ROAV）定量分析则确定了14种对特征风味有重要贡献的物质，包括4-甲基-3-戊烯-2-酮、丁醛和丁酸丁酯。研究表明，经过连续加工后，EYP的风味轮廓与新鲜EYL相比发生了显著变化，其中巴氏杀菌和喷雾干燥成为关键的风味控制节点。这种多维分析方法首次建立了EYP生产中加工参数与风味化学之间的定量关联。开发的指纹图谱数据库可通过模式识别算法实现快速质量诊断，而确定的关键控制点则为通过优化时间-温度协议来最小化风味劣化提供了可操作的目标。这些发现增强了精准监测能力，并为通过靶向工艺工程开发风味稳定的蛋粉产品开辟了新途径。
-
基于深度学习的多品种马铃薯淀粉含量在线检测与评估算法
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
马铃薯 其他品质相关性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类马铃薯是生产具有大颗粒和高粘度特性的高品质淀粉的主要来源之一，被广泛用作工业生产的合适原料。为了实现马铃薯淀粉的在线检测，本研究通过整合近红外光谱、波长选择算法、迁移学习以及卷积神经网络-双向长短期记忆网络深度学习，开发了一个预测模型。结果表明，深度学习方法获得了最优的模型预测性能。具体而言，CNN算法用于增强和提取NIR光谱的特征，而BiLSTM算法则在950-1700 nm的光谱范围内有效预测了淀粉含量。预测值通过非线性回归分析与实验测得的淀粉值显示出很强的相关性，证实了模型稳健的验证性能。在最佳组合条件下（传输速度为0.5 m/s，积分时间为99 ms，光源距离为364 mm），马铃薯淀粉含量的预测相关系数（Rp）和预测均方根误差（RMSEP）分别为0.945和0.725%。基于NIR的在线检测方法简单、高效，具有广阔的应用前景。该方法可用于马铃薯淀粉含量的实时在线检测，并能进一步满足工业发展的需求。
