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
-
基于微生物挥发性化合物的食品腐败智能检测：技术、挑战与未来展望
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Khaled M. A. Ramadan, Eslam S. A. Bendary, Hala B. Khalil, Salim A. Ali, Abdelrahman R. Ahmed & Mohamed A. A. Mahmoud
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 过程控制与实时优化 设计/生成与推荐 文本/知识库/法规数据 多模态/融合数据食品标签
货架期预测与品质劣变动力学 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他统计建模方法 其他特殊成分微生物挥发性有机化合物（MVOCs）是食品腐败和微生物污染的早期非侵入性指标。本文批判性评估了当前MVOC检测方法，包括气相色谱-质谱（GC-MS）、离子迁移谱、化学电阻传感器、生物传感器和比色指示剂。从灵敏度、选择性、基质兼容性和部署潜力等方面对这些技术进行了比较。特别关注实际食品系统中信号漂移、传感器特异性和可重复性方面的挑战。MXene复合材料和分子印迹聚合物等新兴材料，以及使用酶、气味结合蛋白或活细胞的生物传感器平台，提供了更高的选择性和操作稳定性。与物联网平台和机器学习的集成增强了预测能力，实现实时质量监控和动态保质期估计。定量构效关系模型和结构信息工具（如OWSum）进一步完善了分析物优先级和传感器设计。跨商品比较揭示了通用和食品特异性腐败挥发物，支持混合传感器阵列的开发。还讨论了监管考虑因素和最近的国际举措，强调了标准化性能标准的必要性。总体而言，本综述概述了向自适应智能MVOC传感系统的转变，该系统将分析严谨性与数据驱动设计相结合，以支持食品安全、质量保证和减少浪费。
-
氯原酸对冷藏金鲳鱼品质的影响：基于人工神经网络的预测模型
查看原文
2025
Food Control
中科院一区JCR一区
Ning Yang, Shitong Wen, Chuan Li, Qian Li, Longteng Zhang, Xue Song & Lulu Zhu
计算机标签
深度学习 定量预测/回归分析食品标签
鱼肉 保鲜涂膜与保鲜剂 货架期预测与品质劣变动力学 常规理化指标测定 蛋白质与氨基酸本研究探讨了氯原酸对冷藏金鲳鱼片品质的影响，并开发了一种人工神经网络模型来预测经CGA处理的金鲳鱼片在贮藏期间的品质变化。结果表明，CGA能有效抑制金鲳鱼片在贮藏期间的质构劣变和蛋白质降解。与对照组（31.86 mg N/100 g）相比，经2 g/L CGA处理的金鲳鱼片在15天后，其总挥发性盐基氮值（25.90 mg N/100 g）显著降低。此外，2 g/L CGA处理组中肌原纤维蛋白的α-螺旋比例增加至32.60%，而无规卷曲比例降至29.18%，表明CGA有效保护了肌原纤维蛋白的二级结构。而且，所建立的ANN模型能够以低于3%的相对误差，准确预测CGA处理的金鲳鱼片在贮藏期间的品质变化。本研究为CGA在金鲳鱼加工工业中的应用以及ANN模型参数在其他食品加工模拟中的应用提供了理论基础。
-
通过数字追踪和监控技术改造食品供应链
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Xu Zhou, Juming Tang, Timothy L. Jacobs & I. Sam Saguy
计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据食品标签
智能/指示型包装 包装系统中的监测与标签应用背景：保质期有限的易腐食品容易变质，若在不当条件下分销或储存，可能会带来安全风险。因此，大量食品在整个分销链和家庭中被浪费。解决这一问题需要先进的技术来追踪产品和监测其保质期。
范围与方法：本综述考察了产品追踪技术（如条形码和二维码）以及保质期监测工具（包括时间-温度指示器（TTIs）和新鲜度指示器（FIs））的历史发展。重点介绍了近期将这两种技术整合的努力，并探讨了物联网（IoT）和人工智能（AI）在供应链管理中的新兴应用。
主要发现与结论：时间-温度指示器（TTIs）和新鲜度指示器（FIs）是有效的保质期监测工具。它们与产品追踪系统的整合有助于实现可追溯性和实时保质期评估。近期的商业产品，如Evigence和SpotSee公司的基于二维码的指示器，在易腐产品的冷链中显示出实际应用价值，包括新鲜农产品和母乳。然而，挑战依然存在，包括数据传输、解读、隐私、消费者接受度以及监管空白等问题。解决这些挑战需要在传感器开发、食品安全与质量、数据通信、人工智能、消费者科学和监管等领域开展多学科合作，以构建更快速、更透明、更高效的食品供应链。 -
利用深度转移学习和可见近红外高光谱成像，在不同硅环境下无损检测油菜籽叶中的镉含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Xin Zhou, Yang Liu, Chunjiang Zhao, Jun Sun, Lei Shi & Surli Cong
计算机标签
支持向量机 深度学习 迁移学习/领域自适应 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
新鲜蔬菜 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法 矿物质与微量元素本文提出了一种转移栈去噪自编码器（T-SDAE）算法，用于实现油菜籽叶片镉（Cd）预测深度特征模型在不同硅环境中的迁移。使用堆叠去噪自编码器（SDAE）算法降低维度，并迁移了最有效的SDAE深度学习网络以创建T-SDAE模型。结果表明，使用SDAE提取深度特征的SVR模型在无硅、低硅和高硅环境中对镉含量的预测效果最佳。此外，预测集的确定系数（R）p2分别为0.9127、0.9829和0.9606。具体来说，Rp2 不同硅环境下的T-SDAE-SVR最优预测值为0.9273，RMSEP（平均偏差）为0.01465 mg/kg，RPD为3.237。通过将高光谱成像技术与深度转移学习算法结合，在不同硅环境下，能够准确检测油菜籽叶片中的各种镉含量。
-
计算机视觉、物联网和数字孪生在食品质量与安全评估中的创新融合
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Mengshuai Guo, Xin Lv, Dan Wang, Hong Chen & Fang Wei
计算机标签
深度学习 模型设计/优化策略 迁移学习/领域自适应 模型轻量化/边缘计算 分类/鉴别/等级评定 缺陷/异物检测与定位 设计/生成与推荐 模拟与数字孪生 可见光/RGB/视频数据 时序传感器/物联网数据食品标签
食品安全与风险评估 过程控制与数字化 统计建模与仿真背景：确保食品质量与安全是公共卫生和经济稳定的关键优先事项。传统的食品质量评估方法虽然有效，但通常劳动密集、具有破坏性或缺乏可追溯性和透明度。深度学习和计算机视觉的最新进展引入了数字化、智能化、经济高效且自动化的解决方案。
范围与方法：本综述介绍了深度学习和计算机视觉的典型工作流程，从数据采集和预处理到模型选择、训练和验证评估，并总结了深度学习和计算机视觉在食品不同领域的应用，如图像分类、目标检测、图像分割和图像生成，以及针对不同任务的模型优化策略。重点阐述了物联网、数字孪生、计算机视觉和深度学习技术在食品工业中的应用。此外，本综述还讨论了迁移学习和模型压缩方法，并回顾了轻量级模型和嵌入式系统在食品工业中的应用。
主要发现与结论：计算机视觉、深度学习、物联网和数字孪生等技术的创新融合，增强了食品的可追溯性和透明度，并促进了可持续发展。云计算和大数据技术的进步推动了这些技术的深度融合，使得食品生产能够实现实时、准确和动态的决策。展望未来，研究的重点应放在提高标注数据集的可用性和质量，增强模型的可解释性和鲁棒性上。
