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 339 条结果
-
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。 -
迈向基于振动光谱与机器学习的食品中霉菌毒素智能原位检测
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Siyu Yao, Tong Yu, Alessandra Fantina Victorio Ramos, Zhongkun Zhang, Zulipikaer Rouzi & Luis Rodriguez-Saona
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
微生物安全 光谱/色谱/质谱等分析方法振动光谱技术与机器学习的最新进展，正推动着对复杂食品基质中真菌毒素的智能原位检测。红外光谱和自发拉曼光谱可检测宿主基质中的分子振动或成分变化，捕捉真菌毒素直接或间接的特征图谱；而表面增强拉曼光谱（SERs）则通过等离子体纳米结构放大真菌毒素特有的分子振动，实现超高灵敏度检测。机器学习能从信息丰富的光谱中提取真菌毒素细微且独特的光谱特征，抑制噪声，并对异质样本做出可靠预测，进一步强化了分析效果。本综述批判性地探讨了近期的传感策略、模型开发、应用性能、无损筛查以及潜在的应用挑战，着重指出了这些方法相对于传统方法的优势与局限性。文中还讨论了与云计算相结合的便携式、小型化光谱仪的创新，这些创新为真菌毒素的可扩展、快速和现场监测提供了支持。通过将最先进的振动特征图谱与计算分析相结合，这些方法为食品中真菌毒素的灵敏、智能且可现场部署的检测开辟了道路。
-
利用牛奶光谱和机器学习预测荷斯坦奶牛产后疾病——从诊断日期的回顾性评估
查看原文
2025
Journal of Dairy Science
中科院一区JCR一区
D. Lin, J. Li, J.A. Seminara, & J.A.A. McArt
计算机标签
偏最小二乘法 随机森林 智能手机/其他 深度学习 分类/鉴别/等级评定 红外/拉曼光谱数据 中等规模数据集食品标签
液态乳 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归奶牛在泌乳初期通常会遭遇健康问题。尽管傅里叶变换红外（FTIR）光谱技术提供了一种无需侵入且经济高效的分析牛奶成分的方法，但其在预测后续泌乳初期疾病方面的潜力尚未得到充分探索。本研究旨在揭示奶牛乳汁 FTIR 光谱在预测纽约州卡尤加县一家商业奶牛场 1162 头荷斯坦奶牛产后疾病方面的能力。我们每天在泌乳初期栏中采集奶样，并将牛奶在 4°C 下保存，直至通过 FTIR 光谱分析。通过 30 天泌乳末期（DIM）对奶牛进行监测，并将其分为健康（n = 825；无不良健康事件）或患病（n = 311；诊断为临床酮病、子宫炎、胃瘫或乳腺炎，或这些病症的任意组合）两类。我们使用回归、机器学习和深度学习方法对乳汁 FTIR 光谱数据进行了建模，以预测在诊断日期前 8 个不同时间段内的疾病（>10 天、10-8 天、7-6 天、5-4 天、3 天、2 天、1 天和 0 天）。模型性能通过重复下采样双交叉验证框架和排列检验进行评估。我们的研究结果表明，与脂肪、蛋白质和乳糖的吸收峰相关的光谱区域的逐步变化与疾病进展相关，从而导致受检者工作特征曲线（AUROC）的平均值从诊断前 10 天的 0.50 增加到诊断前 1 天的 0.72 以及诊断当天的 0.76，所有模型类型均如此。使用牛奶傅里叶变换红外光谱进行的部分最小二乘判别分析（PLS-DA）模型在诊断前 7 天的平均 AUROC 为 0.71，优于基于奶牛级特征（0.62）或结合光谱预测的牛奶主要成分（0.67）的模型。在光谱模型中，PLS-DA 达到了最高的平均 AUROC（0.74），其次是长短期记忆（0.72），超过了岭回归（0.71）和随机森林（0.69）。这些发现强调了使用牛奶傅里叶变换红外光谱来预测早期泌乳期荷斯坦奶牛即将出现的健康状况的有效性，但还需要更广泛的评估来评估其通用性和农场实用性。
-
从实验室到市场：通过光谱学、区块链和人工智能进行实时食品安全监测
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Nikos Chorianopoulos, Anastasia Lytou, Lemonia-Christina Fengou, Shintaro Kinoshita, Pengcheng Dong, Yimin Zhang, Chrysoula Tassou, Fady Mohareb & George-John Nychas
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 过程控制与实时优化食品标签
食品安全与风险评估背景：食品系统是一个复杂的概念，涉及从农场到餐桌的各个阶段和流程，在每个阶段对质量和安全进行评估都至关重要。当前的安全和质量控制依赖于微生物和化学分析，这些方法耗时、费力，且只能提供追溯性结果。
范围与方法：本综述批判性地审视了与人工智能（AI）和信息技术（IT）相结合的基于光谱的传感器的当前发展和实际应用，重点强调了它们在确保从生产到消费整个供应链中食品完整性方面的作用。它全面分析了无损光谱仪器、人工智能驱动的分析工具、区块链技术以及其他旨在加强实时食品安全和质量监测的新兴数字创新的最新进展。特别关注了从实验室规模的实验到商业可行解决方案的进展，突出了所取得的技术进步，以及阻碍其大规模部署的后勤、经济和基础设施方面的挑战。本综述强调了这些集成技术在全球范围内建立透明、可追溯和具有韧性的食品系统方面的变革潜力。
主要发现与结论：在此背景下，基于光谱的传感器与人工智能工具以及信息技术（如云计算、物联网、大数据和区块链）相结合，是食品行业确保食品质量和安全的一个极具前景的领域。 -
基于多元宇宙优化器的CNN-BiLSTM像素级检测花生黄麴毒素模型
查看原文
2025
Food Chemistry
中科院一区JCR一区
Cong Wang, Hongfei Zhu, Yifan Zhao, Weiming Shi, Huayu Fu, Yanshen Zhao & Zhongzhi Han
计算机标签
深度学习 卷积神经网络 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
豆类与坚果（及籽类） 微生物安全 光谱/色谱/质谱等分析方法花生极易受到黄曲霉毒素的污染，对人体健康构成重大威胁。本研究旨在通过一种优化的深度学习方法，提升高光谱图像中像素级黄曲霉毒素检测的精度。研究构建了一种经多元宇宙优化算法（MVO）优化的卷积神经网络-双向长短期记忆网络融合模型，专门用于高精度检测黄曲霉毒素。利用不同浓度的黄曲霉毒素光谱数据，对该优化后的卷积神经网络-双向长短期记忆网络模型进行了微调。实验结果表明，经过微调的多元宇宙优化算法-卷积神经网络-双向长短期记忆网络模型性能最优，验证集准确率达94.92%，召回率为95.59%。该模型准确率相较于支持向量机、自适应提升算法等机器学习方法分别高出6.93%和3.6%；同时相比卷积神经网络、卷积神经网络-长短期记忆网络融合模型等深度学习方法，准确率分别提升4.18%和3.08%。该方法有效提升了像素级黄曲霉毒素的检测精度，可为在线检测设备的研发提供技术支撑。
