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Sim-MST++高光谱图像重建的哈密瓜早期霉变低成本检测方法
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 缺陷/异物检测与定位 可见光/RGB/视频数据 高光谱/多光谱光谱食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法由病原微生物引起的采后病害是导致水果腐败的主要原因。早期霉变检测对于预防和控制腐败至关重要。随着大数据和深度学习的快速发展，利用RGB图像重建高光谱图像（HSI）为农业和生物产品的低成本、快速检测提供了新的解决方案。本研究探讨了RGB-to-HSI在检测哈密瓜被 Fusarium equiseti 侵染的早期霉变方面的可行性。引入了二维相关光谱分析来提取13个通道的敏感光谱变量。此外，通过多变量可视化评估了改进的Sim-MST++算法和11种先进重建算法的有效性。使用SSIM和t-SNE评估了重建的一致性。提出了综合质量属性系统（PSNR-Params-FLOPS）来确定最佳重建模型。此外，建立了3D-DACNN（三维扩张注意力卷积神经网络）用于检测哈密瓜的早期霉变。结果表明，Sim-MST++优于其他重建模型，其MRAE、RMSE、PSNR和SSIM值分别为0.0446、0.0158、36.270 dB和0.9333。同时，基于Sim-MST++重建数据集的分类模型达到了92%的准确率。这些发现为基于高光谱图像重建的农产品质量与安全检测提供了一种新方法。
-
使用便携式拉曼-SORS光谱仪作为认证高油酸葵花籽油的简便方法
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
偏最小二乘法 支持向量机 智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸如今，由于初榨橄榄油价格高昂，葵花籽油（SFO）被广泛用于烹饪。在其商业类型中，高油酸葵花籽油（HOSFO）因其高油酸含量和优异性能而最为合适，这不仅提升了其品质，也提高了价格。为了保护因产品附加值（更高的油酸含量）而支付更高价格的消费者，有必要在整个加工和分销链中对不同商业类型的SFO进行认证。因此，生产者、各分销环节直至最终销售点以及官方管理部门都需要工具来验证和确保顾客购买的是他们真正想要的产品。现有文献中尚无研究涉及不同类型SFO之间的区分（认证）。本文利用空间偏移拉曼光谱（SORS）获得的仪器指纹，并结合不同的化学计量学工具进行处理，成功地认证了这些油品的不同商业类型。对SORS指纹矩阵的化学计量学分析揭示了样品的自然分组（HCA和PCA），以及基于与脂肪酸出现相关的特征拉曼光谱区域进行判别/分类的可能性。所有开发的模型（PLS-DA、SVM和SIMCA）都显示出可靠的质控性能（如灵敏度、特异性以及低假阳性/假阴性率等）。它们能够有效认证HOSFO，但只有SIMCA模型能够成功区分所有类型的SFO。
-
基于便携光谱和增强Transformer的新鲜茶叶智能无损生物传感
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 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分茶是仅次于水的全球第二大流行饮品。识别新鲜茶叶对于确保茶产业产品质量至关重要，因为它们通常难以通过自然颜色和形态特征加以区分。传统的新鲜茶叶成分分析方法具有破坏性且成本高昂，而新兴的无损技术通常依赖大型且耗时的仪器，限制了其在现场场景中的适用性。在本研究中，我们提出了一种用于新鲜茶叶的便携式识别系统，它是野外光谱仪与用于光谱分类的先进深度学习（DL）架构的结合。引入了定制设计的叶片固定装置，以确保稳定可靠的光谱采集，从而能够在野外环境中为DL模型训练获取鲁棒的数据。该DL模型采用了由主成分分析增强的Transformer架构，与传统DL方法相比，不仅减少了99.4%的训练参数，而且提高了茶叶分类的准确率。作为概念验证，我们的系统在区分不同品种的新鲜茶叶方面实现了高准确率，展示了其在茶叶供应链中进行快速、现场、无损质量评估的潜力。
-
SpecGuard：一种基于深度学习和EncodeBandCompress光谱波段压缩方法的食品有害物质检测应用
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
深度学习 缺陷/异物检测与定位 高光谱/多光谱光谱食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 光谱/色谱/质谱等分析方法食品中的有害污染物，如农药残留、沙门氏菌、大肠杆菌和黄曲霉毒素B1（AFB1），可对人体造成不可逆的损害。现有检测方法通常缺乏效率和无损检测能力，这也给人们带来了重大的健康风险和挑战。本研究介绍了SpecGuard，一种新型的基于深度学习的应用，它集成了EncodeBandCompress（EB）方法，将光谱波段减少50%，从而实现污染物的快速、无损检测。SpecGuard在苹果、西红柿和黄瓜中对三种农药残留的检测准确率分别达到94.97%、95.55%和92.13%，展示了在不同农产品上的良好性能。对于花生中的AFB1，SpecGuard将检测准确率从63.27%提高到74.49%，表明其对挑战性污染物的灵敏度有所增强。此外，它在细菌检测方面达到了93.03%的准确率，体现了强大的泛化能力。通过利用先进的特征提取技术，SpecGuard提供了一种可扩展、准确且非侵入性的解决方案，有望在食品安全监测领域广泛采用，以满足全球健康和监管需求。
-
基于随机蛙连续选择残差可见-近红外光谱的集成模型预测杨梅可溶性固形物含量
查看原文
2025
Food Control
中科院一区JCR一区
计算机标签
随机森林 偏最小二乘法 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 光谱/色谱/质谱等分析方法 碳水化合物与糖类本研究提出了一种稳健的方法，利用便携式可见-近红外（vis-NIR）分析仪结合自适应增强（AdaBoost）集成学习框架，无损预测中国杨梅的可溶性固形物含量（SSC）。杨梅的交互光谱经z-score归一化预处理后，采用随机蛙（RF）算法从前一轮残差光谱中筛选关键变量构建偏最小二乘（PLS）模型。通过整合多个顶级RF-PLS子模型构建AdaBoost集成模型，并与其他集成策略比较。结果表明，连续RF选择后的残差光谱仍保留有效信息，第五轮RF-PLS模型的预测均方根误差（RMSEP）>0.77，仅略低于全光谱PLS模型。整合前三名子模型的AdaBoost模型性能最优，RMSEP为0.713，较全光谱PLS模型降低7.2%，优于偏差平均法和Lasso集成策略。该框架通过残差光谱连续构建RF-PLS子模型，最大化利用光谱信息，显著提升了便携式NIR分析仪对杨梅SSC的预测精度。
