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
-
利用预训练的计算机视觉模型对肉类新鲜度进行准确分类
查看原文
2025
Food Chemistry
中科院一区JCR一区
Marcelo M. Hidalgo, Robson C. Lima, Elisabete A. De Nadai Fernandes, Márcio A. Bacchi & Gabriel A. Sarriés
计算机标签
卷积神经网络 迁移学习/领域自适应 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
其他肉与水产品 品质、结构与理化性质 其他理化与结构表征人们对食品质量和安全的担忧日益加剧，这促使相关研究致力于探索评估肉类新鲜度的方法。深度学习的进步，尤其是图像分类技术，为快速、非破坏性地评估肉类特性开辟了新的可能。本研究探索了一种基于图像数据对肉类新鲜度进行分类的新方法，该方法利用从预训练的深度卷积神经网络（DCNNs）中提取的特征，然后对聚合的深度激活图进行随机编码（RADAM）。编码后的特征随后被用于训练传统的机器学习（ML）分类器。这种方法取得了最先进的结果，在三个数据集上以及多种超参数设置下对牛肉和鸡肉的新鲜度进行分类时，分类指标在93%到100%之间。这不仅超越了文献中报道的性能，还提供了一种更简单、更高效的方法。研究结果表明，所提出的方法可能成为工业部署的一种实用且有效的解决方案。
-
一种微流控纸质荧光传感器，集成智能手机平台，实现现场快速检测氧化乐果农药
查看原文
2025
Food Chemistry
中科院一区JCR一区
Shuai Li, Jingkai Zhao, Junfeng Wu, Ling Wang, Chuanan Yao, Jiandong Hu & Hao Zhang
计算机标签
智能手机/其他 深度学习 卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
化学污染物本文研发了一种将荧光微流控纸基试纸与便携式智能手机传感平台相结合的新型方法，用于快速、灵敏地检测氧化乐果农药。该微流控纸基试纸的检测机理基于氧化石墨烯（GO）对花菁3（Cy3）标记适配体（Cy3-APT）的荧光猝灭效应。当体系中存在氧化乐果时，Cy3标记适配体从氧化石墨烯表面脱离，荧光信号显著恢复，可通过智能手机传感平台实现可视化检测。利用内置预训练卷积神经网络模型的自研应用软件对图像进行分析，在氧化乐果浓度0~50纳摩尔每升范围内，回归系数高达0.9964。该智能手机检测平台可在10分钟内实现实际样品中氧化乐果农药的现场快速检测，检测结果与标准检测方法具有良好的一致性。综上，所构建的微流控纸基荧光传感器结合智能手机传感平台，有效提升了对有机磷农药的检测性能。
-
一种知识引导的尺寸校正策略，用于提高苹果跨尺寸变异下可溶性固形物含量检测的准确性和鲁棒性
查看原文
2025
Food Control
中科院一区JCR一区
Penghui Liu, Changqing An, Zhizhong Sun, Ying Zhou, Xuan Luo, Huirong Xu & Lijuan Xie
计算机标签
偏最小二乘法 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
新鲜水果 过程监测与在线检测 光谱/色谱/质谱等分析方法 碳水化合物与糖类在线非破坏性水果质量评估受到全球越来越多的关注。然而，评估的准确性和可靠性容易受到水果尺寸、测量方向和环境波动等变异的影响。本研究提出了一种知识引导的尺寸校正策略，以减轻苹果中尺寸变异对光谱和可溶性固形物含量（SSC）检测的影响。开发了尺寸-偏最小二乘（Size-PLS）模型，用于从光谱数据预测果实尺寸，通过PLS变量重要性投影（VIP）识别与尺寸相关的特征。对这些特征进行算术映射，以抑制尺寸敏感波段，从而校正原始光谱。随后利用尺寸校正后的光谱建立PLS和卷积神经网络（CNN）模型来预测SSC。为了验证所引入校正策略的有效性，在SSC预测方面将其与四类七种传统校正方法进行了比较。两个数据集的结果表明，虽然相关性校正、全局校准和重新校准方法对模型外推预测的改进有限，但所提出的校正方法分别使PLS模型的平均RMSEV显著降低了28.92%和23.33%，CNN模型的平均RMSEV显著降低了32.69%和66.00%。此外，它还进一步增强了相关性校正、基于有效波长的模型补偿和重新校准对尺寸变异的缓解效果。总的来说，所引入校正策略背后的知识引导概念为解决样本和环境变异引起的模型失效提供了新的见解和视角，为水果及更广泛的农产品行业的质量评估提供了实用可靠的解决方案。
-
通过计算机视觉驱动的实体肉类特征追踪，提升红肉行业的可追溯性和质量控制
查看原文
2025
Food Chemistry
中科院一区JCR一区
Qiyu Liao, Brint Gardner, Robert Barlow, Kate McMillan, Sean Moore, Adam Fitzgerald, Yulia Arzhaeva, Natasha Botwright, Dadong Wang & Joost D Nelis
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
畜肉 品质、结构与理化性质 显微与成像技术 脂质与脂肪酸当前的可追溯系统高度依赖外部标记，这些标记可以被修改或篡改。我们假设牛肉部位中独特的肌肉内脂肪模式可以作为可追溯性的自然物理标识，同时提供有关质量属性的信息。为了验证我们的假设，我们开发了一个包含38,528张高分辨率牛肉图像的综合数据集，涵盖了来自602块牛排的牛排，并结合了人工分级和配料分析的注释。利用该数据集，我们基于EfficientNet模型开发了高质量预测模块，在大理石花纹评分预测（96.24%前1±1,99.57%前1±2）、品种识别（91.23%）和饮食确定（90.90%）方面实现了高准确率。此外，我们证明内部肉类特征可用于可追溯性，样本到样本追踪中获得0.9942的F-1得分，样本到数据库追踪中为0.9479。这种方法显著增强了防欺诈能力，并实现了红肉供应链中客观的质量评估。
-
卷积神经网络在食品质量与安全评估领域：当前成就与未来展望
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Jing Zhao, Yue Yu, Siheng Lu, Yue Huang, Xi Yu, Xuejin Mao, Yongjian Yu, Zhanming Li & Huilin Liu
计算机标签
卷积神经网络 分类/鉴别/等级评定 缺陷/异物检测与定位 时序传感器/物联网数据食品标签
食品安全与风险评估 包装与智能监测卷积神经网络（CNNs）作为一种深度学习模型，能够自动提取图像特征，并通过多层卷积和池化操作从低级特征逐步学习到高级特征，因此在图像识别和分类任务中表现出色。通过深入研究食品图像数据，卷积神经网络推动了食品行业的智能化发展。然而，构建高质量的数据集仍然是卷积神经网络在食品行业应用中面临的一个关键挑战。尽管卷积神经网络模型在图像识别和分类方面能力很强，但在食品检测的实时性、准确性和可靠性方面仍存在困难。本文系统综述了卷积神经网络目前在食品领域的应用，包括食品分类与分级、食品安全检测、食品溯源分析以及食品加工实时监控等方面的进展。此外，还深入探讨了卷积神经网络技术在食品行业应用中面临的挑战和研究前景。结合传感器、物联网（IoT）技术和先进的深度学习技术，卷积神经网络有望实现对食品行业全过程及产业链的实时监控和智能分析。通过与智能传感器技术和先进的深度学习技术相结合，卷积神经网络有望促进整个流程和食品产业链的实时监控与智能分析。未来，卷积神经网络技术有望在食品行业中发挥更重要的作用，保障食品安全、提高食品质量，推动食品行业的智能化和可持续发展。
