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
-
基于人工智能的深度学习框架预测食用蘑菇保质期
查看原文
2025
Postharvest Biology and Technology
中科院一区JCR一区
Shima Javanmardi & Seyed-Hassan Miraei Ashtiani
计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 大规模数据集食品标签
食用菌菇 货架期预测与品质劣变动力学 显微与成像技术新鲜食用蘑菇极易腐败，易受微生物污染，且保质期有限，因此评估其新鲜度对于确保食品安全和减少浪费至关重要。此外，蘑菇的新鲜度对消费者健康和市场价格有显著影响。本研究引入并评估了一种基于计算机视觉的应用，利用卷积神经网络（CNN）来预测三种广泛食用的蘑菇品种——白蘑菇、香菇和平菇——在4±1°C储存下的保质期。为了提高分类准确性并降低训练成本，研究采用迁移学习对CNN模型进行微调，包括EfficientNet、NASNetLarge、ResNet-50、Inception-V3和MobileNet-V2。ResNet-50对白蘑菇和平菇表现出最佳性能，总体准确率分别为94.10%和89.11%，处理1960张图像分别耗时6.39分钟和8.70分钟。对于香菇，MobileNet-V2表现最优，准确率达到86.36%，处理时间为5.73分钟。将数字成像与CNN方法相结合，为快速、精确评估蘑菇新鲜度提供了一种可靠且高效的途径。该技术可显著改善采后储存和分销阶段的监控，促进明智决策和及时行动以减少腐败。
-
基于高光谱成像和多任务卷积神经网络的冻融牛肉丸子两个综合质量评价指标的同步监测
查看原文
2025
Meat Science
中科院一区JCR一区
Qiang You, Yukun Yuan, Runxiang Mao, Jianghui Xie, Ling Zhang, Xingguo Tian & Xiaoyan Xu
计算机标签
机器学习/统计学习 卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱 质构/流变/感官数据 中等规模数据集食品标签
畜肉 品质、结构与理化性质 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法通过多个指标评估了反复冻融循环过程中牛肉丸子的质量变化。本研究引入了一种基于高光谱成像和多任务学习的新型质量评价方法。分析了17个质量指标以评估冻融循环的影响，随后通过因子分析从11个关键指标中构建了综合质量指数和综合权重指数。将150个样本的高光谱数据与多任务卷积神经网络相结合，探讨了同步监测牛肉丸子CQI和CWI的可行性。结果表明，与传统机器学习及单任务CNN方法相比，MT-CNN在CQI和CWI的预测上表现更优（CQI：RMSEp = 1.24，R2 = 0.94；CWI：RMSEp = 20.436，R2 = 0.94）。此外，研究还有效可视化了多次冻融循环过程中牛肉丸子的质量劣变趋势。因此，HSI与MT-CNN的结合能够高效预测牛肉丸子的综合质量评价指标，有助于其质量控制。
-
融合近红外和拉曼光谱与深度学习LSTM算法的超声波处理鸡肉糜凝胶强度预测
查看原文
2025
Food Control
中科院一区JCR一区
Xorlali Nunekpeku, Wei Zhang, Jiayu Gao, Selorm Yao-Say Solomon Adade, Huanhuan Li & Quansheng Chen
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
禽肉 质构与流变性质 光谱/色谱/质谱等分析方法肉类加工行业在维持绞碎鸡肉制品的凝胶品质方面面临挑战，而凝胶品质直接影响产品的感官吸引力和整体质量。本研究探讨了超声波处理对改善绞碎鸡肉凝胶品质的效果，并采用近红外（NIR）光谱与拉曼光谱技术，实现对凝胶强度的快速、无损评估。研究首先对鸡肉糜施加不同时间的超声波处理，结果表明：处理约30分钟时效果最佳，显著提升了凝胶强度和质构特性，同时明显降低了离心失水率。为全面评估凝胶强度，研究分别基于NIR光谱、拉曼光谱及其数据融合，构建了卷积神经网络（CNN）和长短期记忆网络（LSTM）模型。其中，采用NIR与拉曼融合数据的LSTM模型表现最优（预测决定系数 ( R_p^2 = 0.9882 )，残差预测偏差 RPD = 9.2091），优于单一光谱技术及基于CNN的模型。本研究表明，超声波处理能有效提升绞碎鸡肉的凝胶品质；同时，结合NIR与拉曼光谱并融合LSTM深度学习算法，可提供一种可靠、无损且高效的凝胶强度预测方法。该方法契合肉类加工行业对创新质量检测技术的迫切需求，有望提升加工鸡肉产品的品质与消费者满意度。
-
滑动窗口增强的嗅觉可视化图像结合深度学习预测冷鲜羊肉TVB-N含量
查看原文
2025
Meat Science
中科院一区JCR一区
Shichang Wang, Yixin Zhang, Rongguang Zhu, Fukang Xing, Jiufu Yan, Lingfeng Meng & Xuedong Yao
计算机标签
偏最小二乘法 支持向量机 随机森林 卷积神经网络 模型轻量化/边缘计算 定量预测/回归分析 可见光/RGB/视频数据食品标签
畜肉 其他品质相关性质 其他理化与结构表征本研究提出了一种新的嗅觉可视化图像数据增强方法，结合深度学习实现了冷鲜羊肉中总挥发性盐基氮含量的准确预测。具体来说，研究定义并使用了滑动窗口，通过对滑动位置信息进行编码和解码，从每个传感区域分别提取不同的感兴趣区域，从而对嗅觉可视化图像进行了增强。这种增强方法考虑了嗅觉可视化传感器阵列在制备和反应过程中敏感点的位置偏移和颜色呈现不均匀性。基于增强后的图像，建立了三种先进的深度学习模型（InceptionNetV3、ResNet50和MobileNetV3），并与基于手动提取颜色空间特征的三种传统机器学习模型（偏最小二乘回归、支持向量回归和随机森林）进行了比较。通过比较，InceptionNetV3、ResNet50和MobileNetV3深度学习模型具有更好的预测性能，其中MobileNetV3模型获得了最优的预测结果。最佳预测模型在测试集上的决定系数为0.97，均方根误差为2.42 mg/100 g，相对预测偏差为5.82。结果表明，嗅觉可视化传感器阵列与轻量级MobileNetV3模型的结合能够稳定、有效地预测冷鲜羊肉的TVB-N含量，在羊肉新鲜度的现场评估方面具有巨大潜力。
-
整合数字图像分析、闪蒸气相色谱电子鼻及SHAP驱动的可解释深度学习用于陈皮的无损陈化评估
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Yongheng Yan, Ruijie Xu, Zhiyu Zhao, Tingting Gao, Guangyi Shao, Xindi Lu, Chaozhi Wei & Xuezhen Zhao
计算机标签
偏最小二乘法 随机森林 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 可见光/RGB/视频数据 时序传感器/物联网数据 质构/流变/感官数据食品标签
其他果蔬制品/植物类 颜色与外观品质 特征风味 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本研究提出了一种新颖的无损检测方法，通过整合数字图像和闪蒸气相色谱电子鼻（GC电子鼻）来评估陈皮（CRP）的陈化时间和品质。研究采用数字成像技术提取颜色特征和纹理特征，同时利用自主研发的一维卷积神经网络-门控循环单元（1D-CNN-GRU-注意力机制）深度学习模型，对陈化0至12年的陈皮样品实现了98.19%的优异分类准确率。沙普利可加解释（SHAP）分析通过识别影响分类的关键颜色和纹理属性，提高了模型的透明度。闪蒸气相色谱电子鼻识别出33种挥发性化合物，且套索（Lasso）模型和随机森林（RF）模型确定了7种与陈化相关的关键香气标志物。此外，偏最小二乘回归（PLSR）模型表明，图像特征与主要化学成分（总黄酮、酚酸和（+）-柠檬烯）之间存在强相关性。该方法克服了传统方法的局限性，为无损品质评估提供了一个可解释的框架。
