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
-
从被动包装到具备自我感知的包装：灵活的传感器与人工智能集成助力智能、可持续的食品包装
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Zhixin Jia, Hongwei Hou, Huan Chen, Yaning Fu, Wenjun Mu, Xinting Yang & Jingbin Zhang
计算机标签
机器学习/统计学习 卷积神经网络 循环神经网络 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据 多模态/融合数据食品标签
智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链背景：全球农业食品领域在确保食品质量、安全和可持续性方面面临着长期挑战。传统包装仅起到被动阻隔的作用，无法实时监测食品的物理化学或微生物变化。这一局限性使得人们不得不依赖保守的保质期，进而导致大量食品浪费。智能交互包装通过检测和传递食品的动态状况来解决这些问题。
范围与方法：本综述对柔性传感器材料（包括导电聚合物和碳基纳米材料）及其与无线通信系统和能量收集技术的集成进行了批判性评估。它还评估了用于新鲜度评分和保质期预测的机器学习驱动的人工智能（AI）方法。通过涉及传感器贴片、嵌入式薄膜、物流优化和消费者界面的案例研究，对实际应用进行了综述。
主要发现与结论：柔性传感器能够在毫米尺度上监测温度、湿度、气体、pH值和微生物代谢物，而卷对卷印刷技术支持将其大规模集成到包装中。人工智能驱动的流程处理多模态传感器数据，以生成新鲜度评分、估计保质期并检测异常。这些系统采用回归模型、树基模型以及通过可解释人工智能技术增强的卷积神经网络和循环神经网络。传感器贴片、嵌入式薄膜和人工智能驱动的物流的实际应用已实现了食品腐败的减少。尽管取得了这些进展，但在解决传感器漂移、实现能量自主（即通过车载能量收集和管理实现独立运行的系统）、确保材料循环性以及满足监管要求方面仍存在挑战。未来的工作应侧重于整合自修复材料、改进能量收集、可生物降解电子器件和人机交互，以实现可持续的自主智能包装系统。 -
果皮对柚子可溶性固形物在线可见光-近红外光谱检测的影响及化学计量学分析
查看原文
2025
Food Control
中科院一区JCR一区
Chen Wang, Xuan Luo, Zhiming Guo, Aichen Wang, Ruiyun Zhou & Jianrong Cai
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 质构与流变性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类可见-近红外光谱（Vis-NIR）技术在柚子这类体积大、果皮厚的水果内部品质检测中的应用仍面临挑战。考虑到柚子果皮在其整体质量中占比较大，且在工业加工中具有较高的附加价值，一种在不影响食用的前提下、于去皮后进行分级的采后处理模式，可能有助于避免果皮对可溶性固形物含量（SSC）评估造成的不利影响。本研究首次系统比较了Vis-NIR光谱技术对带皮与去皮柚子SSC在线检测性能的差异。为此，我们开发了一套适用于柚子的在线光谱采集系统，并分析了完整柚子与去皮柚子的光谱特征差异。随后，通过多种光谱预处理方法和波长选择策略，逐步优化并对比了校准模型的性能。此外，还引入卷积神经网络（CNN）以探索其在特征提取方面的潜力。结果表明：结合标准正态变量变换（SNV）、二阶去趋势（second-order detrending）以及可变窗口大小的移动平滑算法，基于去皮柚子光谱构建的偏最小二乘回归（PLSR）模型取得了最优预测效果。具体而言，该模型的预测决定系数（Rp²）达到0.88，预测均方根误差（RMSEP）为0.294%，残差预测偏差（RPD）为2.57。本研究证实，果皮对SSC预测性能具有显著负面影响，而去皮后检测可显著提升模型精度；同时，CNN可作为传统PLSR方法的有效替代方案。该工作为具有复杂组织结构的农产品内部品质评估开辟了新路径。
-
利用DESI-MS结合神经网络对植物油进行化学表征与分类
查看原文
2025
Food Chemistry
中科院一区JCR一区
Yiwei Cui, Liangcun Zhu, Yan Li, Kai Ge, Weibao Lu, Lijun Ge, Kang Chen, Jingi Xue, Feiyang Zheng, Shuncong Dai, Huafei Pan, Jingjing Liang, Liting Ji & Qing Shen
计算机标签
卷积神经网络 分类/鉴别/等级评定食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸本研究针对因价格差异与利益驱动引发的植物油标签掺假问题，建立了一种将解吸电喷雾电离质谱（DESI-MS）与浅层卷积神经网络（SCNN）相结合的检测方法。该方法可对脂质成分进行表征，并实现九种植物油的区分鉴定，包括玉米油、大豆油、花生油、芝麻油、米糠油、葵花籽油、山茶油、橄榄油及核桃油。
经优化的解吸电喷雾电离质谱方法可提升非极性甘油酯的电离效率，并能检出[甘油三酯+钠离子]⁺、[甘油三酯+铵根离子]⁺等离子加合物。研究共筛选出53个脂质特征峰，为各类植物油构建了稳定可靠的脂质指纹图谱。基于脂质指纹图谱构建浅层卷积神经网络模型，分类准确率可达98.5±2.2%。
解吸电喷雾电离质谱与浅层卷积神经网络的联用，为植物油的鉴别与分类提供了一种快速、可靠的技术手段，可有效遏制植物油标签掺假行为、保障油品质量。该技术能够实现精准真伪溯源，有助于提升食品标签标注与质量管控环节的透明度及规范性。 -
基于高光谱结合可解释人工智能监测羊肉兽药残留：OFX案例研究
查看原文
2025
Food Chemistry
中科院一区JCR一区
Fujia Dong, Zhaoyang Ma, Ying Xu, Yingjie Feng, Yingkun Shi, Hui Li, Fukang Xing, Guangxian Wang, Zhongxiong Zhang, Weiguo Yi & Songlei Wang
计算机标签
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
畜肉 化学污染物 光谱/色谱/质谱等分析方法肉类中的兽药残留会严重危害人体健康。快速、精准地检测兽药残留，是降低污染风险的必要手段。以羊肉中的氧氟沙星残留为例，本研究采用近红外高光谱成像技术结合可解释人工智能方法，分析卷积神经网络堆叠稀疏自编码器（CNN-SSAE）模型中特征波长对化学属性的贡献重要性。在此基础上，实现了羊肉中氧氟沙星残留的定性检测（残留有无识别、残留等级判别）与定量检测。结果表明，CNN-SSAE模型对氧氟沙星残留有无和残留等级的识别准确率分别为100%、93.65%；氧氟沙星残留定量检测的验证相关系数为0.8980。此外，研究借助沙普利可加解释值（SHAP）筛选出CNN-SSAE模型中贡献度最高的特征波长，有效阐释了光谱与化学指标在模型决策过程中，可优化预测结果的品质属性信息。通过F检验、T检验等统计验证方法，完成了CNN-SSAE模型的可靠性评估，并最终构建出氧氟沙星含量分布可视化图谱。本研究为兽药残留的可解释性检测提供了方法参考。
-
使用差示扫描量热法与数据增强的卷积神经网络对黑小蜜蜂（Heterotrigona itama）与巨蜜蜂（Apis dorsata）蜂蜜的鉴定与掺假检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Norfarizah Hanim Hassan, Ngee Sing Chong, Tiem Leong Yoon & Yong Foo Wong
计算机标签
主成分分析/判别分析 卷积神经网络 分类/鉴别/等级评定食品标签
甜味剂 其他理化与结构表征 碳水化合物与糖类本研究提出了一种简单的方法，通过将差分扫描量能计（DSC）的量能数据与机器学习分类（MLC）技术整合，特别是结合卷积神经网络（CNN）模型和合成少数族裔过采样技术（SMOTE）进行数据增强，检测蜂蜜掺假。使用DSC采集了不同蜂蜜品种、糖掺假剂和掺假样品的热剖面。掺假蜂蜜中观察到玻璃转变温度的变化。DSC数据采用主成分分析和MLC工作流程进行分析。应用于原始数据集的CNN模型报告准确率为24–67%。然而，将CNN模型与SMOTE算法整合后，准确率显著提升至60–91%。DSC与MLC的结合提供了快速且准确的蜂蜜掺假检测方法，展现了强大的泛化能力。该方法有助于建立检测欺诈行为的框架，保护蜂蜜行业和消费者免受基于糖的掺假侵害。
