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Canny-GoogLeNet深度学习网络结合三维荧光光谱，检测两种单花蜂蜜的真实性
查看原文
2025
Food Chemistry
中科院一区JCR一区
Shengkang Ji, Daniel Granato, Kai Wang, Shengyu Hao & Hongzhuan Xu
计算机标签
卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据 小规模数据集食品标签
甜味剂 光谱/色谱/质谱等分析方法 碳水化合物与糖类为确定蜂蜜的真实性，建立了基于Canny-GoogLeNet架构结合三维（3D）荧光光谱的深度学习网络。巧妙边缘检测算法用于从两种不同的单花蜂蜜——油菜蜜和枸杞蜂蜜，以及掺杂玉米糖浆或其他蜂蜜的掺假蜂蜜样本中提取三维光谱数据。数据集分为训练（133个样本）、验证（33个样本）和测试集（12个样本）。经典的GoogLeNet架构通过优化Block 2中的初始模块、对改进后的全连通层应用L2正则化，以及实现监测训练网络模型以减少过拟合并增强模型鲁棒性得到增强。最终模型在训练集上实现了约100%的准确率，在验证集上达到了93.7%的准确率。这些结果表明，将三维荧光谱与基于卷积神经网络的深度学习模型整合，在认证蜂蜜方面具有显著潜力。
-
基于智能手机便携式近红外设备的机器学习与深度学习模型在藤茶品质成分检测中的比较
查看原文
2025
Food Control
中科院一区JCR一区
Yaqi Hu, Wei Sheng, Selorm Yao-Say Solomon Adade, Jun Wang, Huanhuan Li & Quansheng Chen
计算机标签
卷积神经网络 定量预测/回归分析 高光谱/多光谱光谱食品标签
茶/茶饮料 其他品质相关性质 光谱/色谱/质谱等分析方法 多酚与黄酮茶多酚（TPs）和二氢杨梅素（DMY）是藤茶的关键品质属性。本研究开发了一种集成机器学习（ML）和深度学习（DL）方法的智能手机便携式近红外（NIR）设备，用于快速预测藤茶中的TPs和DMY。使用开发的便携式设备和智能手机软件采集藤茶样品的近红外光谱，同时使用紫外-可见分光光度计和高效液相色谱法（HPLC）测定TPs和DMY的含量。为了准确分析光谱数据，对各种ML和DL模型进行了评估和比较。结果表明，在大样本环境中，深度学习模型，包括卷积神经网络（CNN）、长短期记忆网络（LSTM）和CNN-LSTM，表现出优于传统机器学习方法的预测性能。其中，CNN-LSTM对TPs（Rp = 0.9816； RPD = 5.24）和DMY（Rp = 0.9900； RPD = 7.11）表现出最佳的预测性能。此外，最优模型的验证性能值得称道，其决定系数最大值（TPs为0.9483， DMY为0.9625）。这表明，所开发的智能便携式NIR仪器与DL工具相结合，能够实现藤茶品质成分的快速现场检测。此外，它还为藤茶在线加工过程中的实时质量监控提供了一种潜在策略。
-
基于深度学习的多品种马铃薯淀粉含量在线检测与评估算法
查看原文
2025
Food Control
中科院一区JCR一区
Yi Wang, Yingchao Xu, Xiangyou Wang, Hailong Wang, Haipeng Liu & Shuwei Liu
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
马铃薯 其他品质相关性质 光谱/色谱/质谱等分析方法 碳水化合物与糖类马铃薯是生产具有大颗粒和高粘度特性的高品质淀粉的主要来源之一，被广泛用作工业生产的合适原料。为了实现马铃薯淀粉的在线检测，本研究通过整合近红外光谱、波长选择算法、迁移学习以及卷积神经网络-双向长短期记忆网络深度学习，开发了一个预测模型。结果表明，深度学习方法获得了最优的模型预测性能。具体而言，CNN算法用于增强和提取NIR光谱的特征，而BiLSTM算法则在950-1700 nm的光谱范围内有效预测了淀粉含量。预测值通过非线性回归分析与实验测得的淀粉值显示出很强的相关性，证实了模型稳健的验证性能。在最佳组合条件下（传输速度为0.5 m/s，积分时间为99 ms，光源距离为364 mm），马铃薯淀粉含量的预测相关系数（Rp）和预测均方根误差（RMSEP）分别为0.945和0.725%。基于NIR的在线检测方法简单、高效，具有广阔的应用前景。该方法可用于马铃薯淀粉含量的实时在线检测，并能进一步满足工业发展的需求。
-
利用低成本机器视觉系统快速实时检测红茶揉捻质量
查看原文
2025
Food Research International
中科院一区JCR一区
Shuai Shen, Ning Ren, Hang Zheng, Xianglei Xue, Yunxiang Ye, Tian Liu, Qiusheng Zhang & Guohong Yu
计算机标签
支持向量机 卷积神经网络 定量预测/回归分析食品标签
茶/茶饮料 过程监测与在线检测 光谱/色谱/质谱等分析方法 多酚与黄酮揉捻是红茶制造中的关键步骤，通过揉捻机实现茶叶的破碎、撕裂和卷曲。目前，红茶揉捻质量智能检测的缺乏限制了红茶产业自动化的发展。本研究基于机器视觉技术和化学计量学方法，建立了用于检测红茶揉捻质量的定性和定量预测模型。采用高效液相色谱法（HPLC）定量测定儿茶素和茶黄素（TFs）的含量。构建了基于动态学习率的DarkNet-53卷积神经网络（DarkNet-53 CNN）定性判别模型用于评估揉捻时间，并开发了基于改进麻雀搜索算法优化支持向量回归（ISSA-SVR）的定量预测模型，用于预测红茶揉捻过程中的茶黄素含量。结果表明，与其他模型相比，本研究中提出的DarkNet-53 CNN模型在揉捻时间的判别上表现优异，总体准确率达到97.82%。ISSA-SVR模型在预测性能上显示出显著优势，Rp值超过0.9，RPD值超过7.5。因此，本研究首次引入了一种低成本、可靠的红茶揉捻质量快速检测方法。
-
基于Sim-MST++高光谱图像重建的哈密瓜早期霉变低成本检测方法
查看原文
2025
Food Control
中科院一区JCR一区
Fujia Dong, Ying Xu, Benxue Ma, Fumin Dang, Yujie Li, Minghui Zhang, Fan Wu & Guowei Yu
计算机标签
卷积神经网络 缺陷/异物检测与定位 可见光/RGB/视频数据 高光谱/多光谱光谱食品标签
新鲜水果 微生物安全 光谱/色谱/质谱等分析方法由病原微生物引起的采后病害是导致水果腐败的主要原因。早期霉变检测对于预防和控制腐败至关重要。随着大数据和深度学习的快速发展，利用RGB图像重建高光谱图像（HSI）为农业和生物产品的低成本、快速检测提供了新的解决方案。本研究探讨了RGB-to-HSI在检测哈密瓜被 Fusarium equiseti 侵染的早期霉变方面的可行性。引入了二维相关光谱分析来提取13个通道的敏感光谱变量。此外，通过多变量可视化评估了改进的Sim-MST++算法和11种先进重建算法的有效性。使用SSIM和t-SNE评估了重建的一致性。提出了综合质量属性系统（PSNR-Params-FLOPS）来确定最佳重建模型。此外，建立了3D-DACNN（三维扩张注意力卷积神经网络）用于检测哈密瓜的早期霉变。结果表明，Sim-MST++优于其他重建模型，其MRAE、RMSE、PSNR和SSIM值分别为0.0446、0.0158、36.270 dB和0.9333。同时，基于Sim-MST++重建数据集的分类模型达到了92%的准确率。这些发现为基于高光谱图像重建的农产品质量与安全检测提供了一种新方法。
