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
-
基于电子嗅觉和深度学习的辣椒品种分类和产地追踪高效方法
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yong Chen, Xueya Wang, Wenzheng Yang, Guihua Peng, Ju Chen, Yang Yin & Jia Yao
计算机标签
卷积神经网络 分类/鉴别/等级评定 时序传感器/物联网数据食品标签
新鲜蔬菜 品质、结构与理化性质 过程监测与在线检测 其他植物化学物质辣椒的品质与其品种和地理产地密切相关。市场常常用劣质辣椒替代高品质辣椒，加工过程中容易发生交叉污染。现有方法无法快速且方便地区分不同的辣椒品种或产地，这需要昂贵的实验设备和专业技能。如能量色散X射线荧光和感应耦合等离子体光谱等技术已被用于辣椒分类和原产地追踪，但这些方法要么成本高昂，要么破坏性强。为解决准确识别辣椒品种及辣椒原产地追踪的挑战，本文提出了一个传感器感知卷积网络（SACNet），集成电子嗅觉（e-nose），以实现辣椒品种的准确分类和产地溯源。e-nose系统采集各种辣椒的气体样本。我们引入了一个传感器注意力模块，自适应地聚焦每个传感器在收集气体信息中的重要性。此外，我们引入了局部传感和广域传感结构，专门捕捉气体信息特征，实现高精度辣椒气体识别。在与其他网络的比较实验中，SACNet在品种分类和原产地可追溯性方面表现出色，并在参数数量方面表现出显著优势。具体来说，SACNet在A数据集的品种分类准确率达到98.56%，在B数据集中原产地可追溯性准确率为97.43%，在C数据集中为99.31%。总之，SACNet与电子鼻的结合为识别辣椒品种和产地提供了有效策略。
-
一种基于表面增强拉曼光谱与机器学习技术联合应用的葡萄酒品牌快速识别方法
查看原文
2025
Food Chemistry
中科院一区JCR一区
Haoran Meng, Danheng Gao, Qihan Zhang, Meng Luo, Kang He, Zhaonan Huang, Jiahao Liu, Tao Geng & Weimin Sun
计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集食品标签
酒精饮料 光谱/色谱/质谱等分析方法本文提出一种创新方法，将表面增强拉曼散射（SERS）光谱技术与机器学习相结合，实现红酒品牌的免前处理、快速且精准识别。表面增强拉曼散射技术可高灵敏度检测葡萄酒中的微量分子特征物质（如多酚类物质）。采用主成分分析法对光谱数据进行预处理，并通过卷积神经网络（CNN）模型完成特征提取与品牌识别。实验选取18款葡萄酒（中国、智利、意大利各6款），共采集得到1080条光谱数据。该模型最高分类识别准确率可达99.27%。这种SERS-CNN联用方法可实现无损、实时的品牌鉴别，单样本检测耗时不足3秒，兼具便携性与高效性，在红酒品牌溯源保护、品质安全监管以及消费市场领域具备重要的应用前景。
-
通过深度学习算法和可解释人工智能对海鲷Sparus aurata的品质预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
İsmail Yüksel Genç, Remzi Gürfıdan & Tuncay Yiğit
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 可见光/RGB/视频数据食品标签
鱼肉 颜色与外观品质本研究利用卷积神经网络（CNN）、密集网络121（DenseNet121）、Inception V3以及残差网络50（ResNet50）机器学习算法，通过鲷鱼眼部和鳃部图像，探究冷藏条件下鲷鱼的品质变化规律。研究将鲷鱼新鲜度划分为新鲜、中度变质和完全变质三个等级。模型预测准确率最高可达100%，变质等级的最低预测准确率为98.42%。研究采用可解释人工智能（XAI）算法（梯度加权类激活映射Grad-CAM、局部可解释模型无关解释LIME）对所得结果进行分析。研究结论表明，结合Grad-CAM与LIME算法构建的卷积神经网络和DenseNet121模型，可作为一种无损检测方法，用于判定冷藏环境下鲷鱼的新鲜度。
-
利用机器视觉和可见/近红外光谱技术，整合深度学习和数据融合以增强橙子可溶性固体含量预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Zhizhong Sun, Hao Tian, Dong Hu, Jie Yang, Lijuan Xie, Huirong Xu & Yibin Ying
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 可见光/RGB/视频数据 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 碳水化合物与糖类可见/近红外（Vis/NIR）光谱会因样本颜色差异发生畸变，进而降低水果内部成分的预测精度。本研究旨在构建具备颜色校正能力的深度学习模型，基于多源数据融合实现橙子可溶性固形物含量（SSC）的检测预测。首先，研制机器视觉与可见/近红外光谱在线采集装置，完成彩色图像与透射光谱的采集及分析；其次，针对颜色特征与光谱数据提出多源数据融合方法；最后，构建基于多源数据的颜色校正一维卷积神经网络（1D-CNN）模型。试验结果表明，最优颜色校正模型的预测均方根误差（RMSEP）相较于偏最小二乘模型和传统一维卷积神经网络模型分别降低36.4%、16.1%。机器视觉与可见/近红外光谱的多源数据融合，有望提升食品成分检测预测的精度。
-
强健的DEEP异构集合与元学习用于蜂蜜认证
查看原文
2025
Food Chemistry
中科院一区JCR一区
Lucas Almir Cavalcante Minho, Jaquelide de Lima Conceição, Orlando Maria Barbaza, Aníbal de Freitas Santos Junior & Walter Nei Lopes dos Santos
计算机标签
卷积神经网络 分类/鉴别/等级评定 多模态/融合数据食品标签
甜味剂 碳水化合物与糖类食品欺诈对消费者健康和经济诚信构成重大担忧，其中糖浆掺假蜂蜜是最普遍的经济动机掺假形式之一。本研究提出了一种新颖框架，结合多种分析技术的数据与通过元学习集成的专业深度学习模型（卷积神经网络），以区分纯蜂蜜与掺杂甘蔗糖蜜、葡萄糖浆或焦糖味冰淇淋配料的样品。与传统化学计量方法不同，该方法扩展了输入特征空间，从而提升预测性能。由此产生的深度异构集合学习器展现出相当强的泛化能力，平均分类准确率达到98.53%，马修斯相关系数为0.9710。此外，该集合展现出卓越的鲁棒性，即使90%的输入数据损坏，仍保持73%的准确率，凸显了其在细微和极端数据变异下泛化的无与伦比能力。这一灵活且可扩展的解决方案凸显了集合元学习策略在应对分析化学复杂挑战中的变革潜力。模型、其组成部分及其他额外资源均已公开于一个开放的仓库中。
