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 393 条结果
-
结合结构光反射成像与改进YOLO v7的柑橘内外缺陷同步检测方法
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Zhonglei Cai, Yizhi Zhang, Jiangbo Li, Junyi Zhang & Xuetong Li
计算机标签
其他深度学习结构 目标检测网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
新鲜水果 颜色与外观品质 微生物安全 显微与成像技术在实际生长环境中，柑橘类水果的缺陷表现复杂多样，既包括外部缺陷（如黄皮层紊乱、开裂、溃疡病、风斑），也包括内部缺陷（如早期腐烂）。此外，果实的果蒂和脐部也可能被误判为缺陷。为解决传统方法在同时识别柑橘外部和内部缺陷方面的局限性，本研究提出了一种将结构光反射成像（SIRI）技术与改进的YOLO v7相结合的柑橘缺陷检测方法。在发光二极管（LED）SIRI系统下，采集了空间频率为0.25周/毫米的原始条纹图像。采用三相移法恢复直流分量（DC）图像和交流分量（AC）图像。AC图像包含特定深度的组织信息，能够同时可视化肉眼无法察觉的早期腐烂区域和样品表面缺陷，为柑橘外部和内部缺陷的同步检测奠定了基础。以AC图像为输入，以YOLO v7为识别模型，对柑橘的外部和内部缺陷进行同步识别。YOLO v7的mAP0.5和F1分别为93.5%和92.4%。与原始YOLO v7相比，逐步替换CA模块、Mish模块和SPPFS模块并进行消融实验后，mAP0.5分别提高了1.4%、0.9%、0.7%和2.4%，F1分别提高了1.9、1.2、0.6和2.7。改进后的YOLO v7提高了识别外部和内部缺陷的准确率。使用独立批次的样品和训练好的YOLO v7-CA-Mish-SPPFS检测模型，总体分类准确率达到94.9%。结果表明，SIRI技术与改进的YOLO v7模型相结合能够有效识别柑橘类水果的外部和内部缺陷，从而减少样品的重复检测。本研究为柑橘产业中首次同步检测外部和内部缺陷提供了一种新方法。
-
基于机器学习的电子鼻与电子眼融合用于分辨不同地理来源的菊花（Chrysanthemum morifolium）
查看原文
2025
LWT
中科院一区JCR一区
Mengmeng Li, Jingjing Wang, Linna Guo, Xiaoxiao Yang, Mengyu Zhang, Yi Chen, Shujun Sun, Yong Liu, & Yujie Wang
计算机标签
梯度提升决策树 主成分分析/判别分析 分类/鉴别/等级评定 多模态/融合数据 时序传感器/物联网数据 可见光/RGB/视频数据 小规模数据集食品标签
食用花卉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法菊花是一种在中国广泛栽培的宝贵药用植物。来自不同地理来源的菊花在外观和香气上存在差异，这些差异会影响其商业价值和消费者接受度。目前，缺乏快速有效的方法用于大规模现场筛选菊花类型。本研究提出使用电子鼻和电子眼技术分别捕捉菊花的外观和香气特征，并将线性、非线性及集成学习算法应用于传感器数据建模，以区分来自五个地理来源的菊花样品。尽管不同地区的菊花在电子眼的颜色变量和电子鼻的金属氧化物传感器信号上显示出差异，但这些差异不足以实现明确区分。仅基于单个传感器数据的分类模型未能实现准确识别。然而，E-eye 与 E-nose 的数据融合显著提高了辨识准确性。基于主成分分析的中级融合结合 XGBoost 模型实现了最高的分类准确率，在 50 个样本的测试集中达到 94% 的准确率。特征重要性分析进一步显示，E-nose 信号对分类的贡献比 E-eye 更显著。本研究提供了一种简单、快速且可靠的菊花地理来源追溯方法，并为其他农产品的地理可追溯性提供了参考。
-
开发新型荧光探针用于检测食物和水样本中的草甘膦，以及智能手机辅助平台的构建
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xiaodi Rong, Caiyun Liu, Fengli Hou, Xin Zhao, Zhongpeng Wang & Baoxian Zhu
计算机标签
智能手机/其他 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 过程监测与在线检测 其他理化与结构表征草甘膦的广泛使用已对生态环境与人类健康构成严重威胁，这也凸显了在各类环境及食品样品中检测草甘膦的重要性。本文构建了一种新型荧光探针（DT-Gly）用于草甘膦的检测。DT-Gly与草甘膦对铜离子（Cu²⁺）存在竞争结合作用。因此，草甘膦含量升高会抑制DT-Gly与铜离子的结合。相应地，DT-Gly在507纳米处的吸光度以及580纳米处的荧光强度，与草甘膦浓度呈现出良好的线性关系。此外，DT-Gly对铜离子和草甘膦的检出限分别为94纳摩尔每升和71纳摩尔每升。该探针已成功应用于食品样品与水体样品中草甘膦的检测。研究还利用智能手机分析探针溶液及试纸条的RGB数值变化，搭建了一种便捷的草甘膦检测平台。
-
MSI-FusionNet：用于高粱品种鉴别的多模态光谱-图像融合网络
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xinjun Hu, Mingkui Dai, Anjun Li, Ying Liang, Wei Lu, Jiahao Zeng, Jianheng Peng, Jianping Tian, Manjiao Chen & Liangliang Xie
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 高光谱/多光谱光谱 多模态/融合数据食品标签
杂粮 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法高粱品种间的成分差异会影响白酒的酿造过程、风味特征及整体品质。本研究提出了一种多模态光谱-图像融合网络（MSI-FusionNet）数据融合模型，用于快速且准确地识别高粱品种。该模型整合了通过高光谱成像获取的一维光谱数据和利用工业显微镜拍摄的二维图像数据。该模型对12个高粱品种的识别准确率达到93.33%。与单独使用光谱数据或图像数据相比，MSI-FusionNet的准确率分别提高了11.11%和29.63%。为了平衡性能与效率，研究对多种经典的二维卷积神经网络（2DCNN）架构进行了评估。以ShuffleNetV2作为2DCNN结构的MSI-FusionNet模型表现出更优的效率，在保持高准确率的同时，显著降低了模型复杂度和计算成本。MSI-FusionNet为酒类企业提供了一种高效且准确的高粱品种识别解决方案，有助于稳定白酒的风味和品质，并为酿酒行业提供了有价值的技术支持。
-
融合图像与光谱信息的红茶数字拼配优化策略
查看原文
2025
Food Research International
中科院一区JCR一区
Zhangjie Xia, Qiaoyi Zhou, Shuen Yang, Feihu Song, Zhenfeng Li, Jiecai Wang, Caijin Ling & Chunfang Song
计算机标签
超参优化/自动机器学习 过程控制与实时优化 可见光/RGB/视频数据 红外/拉曼光谱数据 多模态/融合数据食品标签
茶/茶饮料 加工与新加工技术 显微与成像技术 光谱/色谱/质谱等分析方法筛选、拣选和拼配是精制茶的三大加工程序。其中，拼配是改善茶叶外观和风味的关键步骤，并能够大批量提供标准化的茶叶产品。传统上，茶叶拼配由经验丰富的拼配师根据每种毛茶的感官审评结果进行。在本研究中，机器视觉用于获取金毫、色泽和条索作为主要的图像信息。近红外光谱用于分析茶叶中的各种成分以评估茶汤滋味。然后，将图像信息和光谱信息输入红茶数字拼配模型，实现红茶的数字化拼配，并通过专业审评验证结果。研究选择了GDE3、NSGAII和NSGAIII算法，将茶叶拼配问题转化为一个同时考虑成本和品质的多目标优化问题。GDE3算法的收敛速度和收敛程度均优于其他两种算法。本研究表明，红茶的数字拼配为茶叶标准化提供了一种新颖而有效的方法。
