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
-
近红外与拉曼光谱融合机器学习策略：南美白对虾新鲜度的非破坏性快速评估与TVB-N值预测
查看原文
2025
Food Research International
中科院一区JCR一区
Zhenxing Tian, Yanyan Wu, Ya Wei, Yongqiang Zhao, Chuang Pan & Yueqi Wang
计算机标签
卷积神经网络 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据食品标签
甲壳类 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法总挥发性盐基氮（TVB-N）是虾新鲜度的关键指标。然而，传统的检测方法繁琐、耗时且具有破坏性。本文提出了一种基于近红外（NIR）和拉曼光谱的快速、非破坏性方法，用于评估南美白对虾（Litopenaeus vannamei）的TVB-N含量。本研究基于三种机器学习方法（卷积神经网络、极限学习机和反向传播神经网络），结合低层和中层数据融合策略，构建了TVB-N含量预测模型。经过Savitzky-Golay平滑预处理后，采用SPA特征提取的近红外模型（预测决定系数R²p = 0.864）优于采用GA特征提取的拉曼模型（R²p = 0.784），两者分别是各自光谱的最优特征级预测模型。此外，中层数据融合策略与极限学习机模型的结合实现了最佳的预测性能，其R²p和预测均方根误差分别为0.986和0.677 mg/100 g。同时，经特征选择算法优化的特征级融合模型的R²值均超过0.96。这些结果证明了近红外与拉曼光谱在利用便携式仪器对虾进行非破坏性实时新鲜度监测方面的互补优势。
-
基于双通道特征融合策略与注意力机制的高光谱成像深度学习模型鉴别不健全大豆
查看原文
2025
Food Research International
中科院一区JCR一区
Dianyang Sun, Li Zhang, Haitao Li, Weijie Lan, Kang Tu, Jun Liu & Leiqing Pan
计算机标签
支持向量机 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱 多模态/融合数据食品标签
豆类与坚果（及籽类） 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法高水平数据融合在农产品检测中的应用仍面临重大挑战。本研究提出了结合注意力机制的双通道特征融合模型（DCFFM），以优化利用高光谱图像中的一维光谱数据和二维图像数据，实现高水平数据融合。通过对支持向量机（SVM）、卷积神经网络（CNN）与DCFFM的比较分析，表明DCFFM表现出更优的结果，在可见-近红外（Vis-NIR）波段实现了准确率、精确率、召回率、特异性和F1分数分别为95.13%、95.49%、94.83%、98.97%、95.12%；在短波红外（SWIR）波段分别为94.00%、94.43%、94.16%、98.67%、94.27%。这也表明Vis-NIR波段比SWIR波段更适合识别不健全大豆。此外，通过可视化展示分类结果，从而通过模型反演说明了DCFFM的泛化能力。总之，本研究旨在探索一个能够全面获取高光谱图像中光谱和图像信息的建模框架，实现高水平数据融合，从而达到更高的准确率。
-
基于可见/近红外光谱与多任务CNN的多个桃品种内部品质无损检测
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Youhua Bu, Jianing Luo, Qingji Tian, Jiabao Li, Mengke Cao, Shanghong Yang & Wenchuan Guo
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
新鲜水果 其他品质相关性质 光谱/色谱/质谱等分析方法准确预测多个桃品种的硬度（FI）、可溶性固形物含量（SSC）和干物质含量（DMC）对提升市场价值至关重要。然而，传统机器学习方法需要为每个品质指标训练单独的模型，增加了模型复杂性。为解决这一问题，本研究提出了一种基于可见/近红外光谱的多任务卷积神经网络（MT-CNN）模型。对四个桃品种（‘北京8号’、‘白雪’、‘沙红’和‘锦春’）进行了品质指标（FI、SSC和DMC）与Vis/NIR光谱的测量，并开发了单任务（ST）和多任务模型。利用梯度加权类激活映射（Grad-CAM）识别了MT-CNN模型预测中贡献重要的光谱特征。结果表明，ST-CNN和MT-CNN模型均取得了良好性能。与ST-CNN模型相比，MT-CNN模型对四个桃品种的FI和DMC预测平均RMSEp分别降低了0.0256 N和0.0719%，而SSC的平均RMSEp仅增加了0.0192%。此外，基于四个桃品种建立的全局MT-CNN模型显示出显著改进，对FI、SSC和DMC的RMSEp分别为9.4648 N、0.5904%和0.7628%，R值分别为0.9496、0.9615和0.9522，且所有RPD值均超过3。总体而言，所提出的MT-CNN模型能有效预测桃的多种品质，并在不同品种间表现出强鲁棒性。
-
卷积神经网络与XGBoost特征提取的融合，利用近红外光谱预测玉米中的多成分
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xin Zou, Qiaoyun Wang, Yinji Chen, Jilong Wang, Shunyuan Xu, Ziheng Zhu, Chongyue Yan, Peng Shan, Shuyu Wang & YongQing Fu
计算机标签
梯度提升决策树 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
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类近红外光谱技术已在农业领域被广泛用于玉米多组分含量的预测。然而，受吸收谱带宽、谱峰重叠以及特征无特异性等诸多问题影响，难以直接从近红外光谱中提取组分信息。为解决上述问题，从近红外光谱原始数据中挖掘隐含特征以提升定量模型性能，本文提出一种基于极端梯度提升（XGBoost）特征提取方法的一维浅层卷积神经网络（CNN）模型。该方法对极端梯度提升模型中的叶节点特征信息进行编码与重构，获取近红外光谱原始数据的隐含特征；同时提出一种双参数Swish（TSwish/TS）激活函数以优化卷积神经网络性能，并引入弹性网络（EN）规避卷积神经网络模型的过拟合问题。采用玉米与土壤两组公开近红外光谱数据集对所构建的XGBoost-CNN-TS-EN模型进行性能验证，测试集下玉米水分、油脂、蛋白质、淀粉的决定系数（$R^2$）分别为0.993、0.991、0.998、0.992，土壤有机质的决定系数为0.992。XGBoost-CNN-TS-EN模型具备优异的稳定性、预测精度与泛化能力，在光谱多组分定量分析应用中具有良好的应用潜力。
-
利用高光谱成像技术和深度学习评估枣子热空气干燥的过程监测质量参数
查看原文
2025
Food Chemistry
中科院一区JCR一区
Quancheng Liu, Xinna Jiang, Fan Wang, Shuxiang Fan, Baoqing Zhu, Lei Yan, Yun Chen, Yuqing Wei& Wanqiang Chen
计算机标签
卷积神经网络 循环神经网络 其他深度学习结构 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜水果 品质、结构与理化性质 干燥保藏 光谱/色谱/质谱等分析方法在干燥调控过程中及时、高效地检测品质指标，对提升果品加工品质至关重要。为此，本研究采用高光谱成像技术，对红枣热风干燥过程中的可溶性固形物含量（SSC）、可滴定酸度（TA）、水分含量及硬度进行无损监测。试验设置55℃、60℃、65℃三个干燥温度并测定各项品质参数。构建了融合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）与挤压激励（SE）注意力机制的深度学习模型CNN_BiLSTM_SE。结合不同预处理方法，对比了偏最小二乘回归（PLSR）、支持向量回归（SVR）与CNN_BiLSTM_SE模型的性能。经超参数优化后的CNN_BiLSTM_SE模型，在红枣品质指标预测效果上优于PLSR和SVR模型。利用最优预测模型对红枣品质指标进行像素级预测，实现了不同干燥阶段各项品质参数时空分布特征的可视化呈现。
