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
-
基于改进FCN和双向LSTM的谷物蛋白功能预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jing Liu, Kun Li, Xinghua Tang, Yu Zhang & Xiao Guan
计算机标签
卷积神经网络 目标检测网络 分类/鉴别/等级评定 组学数据食品标签
其他谷物与块根 豆类与坚果（及籽类） 蛋白质组学 蛋白质与氨基酸随着高通量测序技术的发展，基于智能模型从氨基酸序列预测谷物蛋白功能已成为生物信息学中的重要任务之一。大豆、玉米、印度茄和日本玉米作为谷物数据集从UniProtKB中选取。本文针对忽略氨基酸序列顺序及氨基酸间长期依赖性的问题，提出了PBiLSTM-FCN模型用于预测谷物蛋白功能。氨基酸序列被纳入全卷积网络（FCN）中，氨基酸之间的长期依赖性则由双向长短期记忆网络（BiLSTM）解决。实验结果表明，PBiLSTM-FCN模型优于现有模型，能够通过解决捕捉长程依赖性和氨基酸序列顺序的问题，实现更准确的预测。最后，可解释性分析是基于实际蛋白质函数与预测蛋白质功能的对比，证明了PBiLSTM-FCN模型在预测谷物蛋白功能方面的有效性。
-
Cuprospinel装饰生物聚合物功能化CNF电催化平台，集成网格搜索优化神经网络，用于检测饮料中的重要氨基酸
查看原文
2025
Food Chemistry
中科院一区JCR一区
Neeshu Sebastian, Wan-Chin Yu, Deepak Balram, Salman S. Alharthi & Habeb M. Al-Saidi
计算机标签
梯度提升决策树 卷积神经网络 定量预测/回归分析 时序传感器/物联网数据食品标签
果蔬汁/浓缩汁 品质、结构与理化性质 蛋白质与氨基酸本文提出一种基于新型纳米复合材料结合网格搜索优化神经网络（GSNN）构建的电催化传感平台，用于色氨酸的智能检测。在一次性电极上制备的铜尖晶石修饰壳聚糖功能化碳纳米纤维（CuFe₂O₄/Chit-CNFs）表现出优异的电催化性能，检出限低至2纳摩尔每升（2 nM），线性检测范围宽达0.05~152.55微摩尔每升（μM），灵敏度可达79.18微安每微摩尔每平方厘米（μA·μM⁻¹·cm⁻²）。研究采用循环伏安法与差分脉冲伏安法开展测试，色氨酸的传感机制为电催化氧化过程；CuFe₂O₄与壳聚糖功能化碳纳米纤维凭借高比表面积与优异导电性产生协同效应，有效增强电化学响应。基于网格搜索优化神经网络的智能检测模型均方根误差（RMSE）为2.76，平均绝对误差（MAE）为1.12。此外，选取苹果汁、番茄汁、菠萝汁及牛奶实际样品对传感器进行实用性验证，加标回收率为96.93%~101.06%，相对标准偏差最大值为2.63%。该构建的传感器具备优异的选择性、重复性、重现性与稳定性。
-
使用卷积神经网络和梯度加权类激活映射的拉曼光谱技术用于常见苹果农药混合物的多标签识别
查看原文
2025
Food Control
中科院一区JCR一区
Salvador Castillo-Girones, Quentin Armould, Juan Gómez-Sanchis, Jose Blasco, Olivier Pigeon, Vincent Baeten & Juan Antonio Fernández Pierna
计算机标签
偏最小二乘法 卷积神经网络 缺陷/异物检测与定位 红外/拉曼光谱数据食品标签
新鲜水果 化学污染物 光谱/色谱/质谱等分析方法市场上的水果必须不含对人体有害的农药，但残留物往往持续存在，对公众健康构成风险。高效检测这些残留物至关重要。然而，传统方法速度慢且缺乏实时能力。此外，当农药以混合物形式使用时，检测挑战变得更加困难，而拉曼光谱为识别农药残留提供了一种有前景的实时解决方案。本研究通过拉曼光谱和多标签分类方法，调查了苹果上常用农药活性化合物在复杂混合物中的检测，解决了识别复杂混合物中活性化合物的难题。模型也在独立的、完全不同的混合物上进行了测试，以评估其局限性和鲁棒性。
为纯活性化合物建立了独特的光谱指纹，从而能够在混合物分析中进行区分。降维技术（t-SNE和PCA）有效地区分了纯化合物和混合物。训练了三种机器学习模型：偏最小二乘法（PLS）、支持向量机（SVM）和一维卷积神经网络（1-D CNN）来识别混合物中的活性化合物。所有模型对关键化合物都给出了较高的F1分数，其中克菌丹的F1分数高于99%，但某些化合物（如灭菌丹或代森锰锌）的预测结果较差。一维卷积神经网络以最低的汉明损失取得了最佳性能，Grad-CAM分析证实其识别了相关的光谱区域。这项工作证明了机器学习增强的拉曼光谱在有效农药监测、法规遵从和食品安全方面的潜力。 -
光致应答：面向减害物质检测与饮料风味分类的通用智能多通道传感器阵列研发
查看原文
2025
Chemical Engineering Journal
中科院一区JCR一区
Xuhui Xia, Xuheng Li, Jia Zheng, Peng Zhao, Xin Zeng, Mingyi Guo, Changjun Hou & Danqun Huo
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 可见光/RGB/视频数据食品标签
其他饮料 品质、结构与理化性质 特征风味 过程监测与在线检测 理化与结构表征 光谱/色谱/质谱等分析方法 维生素还原性物质是区分风味饮料的关键指标。开发快速智能的还原性物质检测方法可显著提升饮料生产管理水平，并促进风味数据库构建。本研究通过利用Mel-Cu的强过氧化物酶（POD）样活性及石墨烯提供的增大的催化核心表面积，成功合成了GO@Mel-Cu纳米酶。基于GO@Mel-Cu的三通道传感器阵列通过三种显色底物（OPD、TMB和ABTS）构建，实现了对19种还原性物质的鉴别及五大类风味饮料的分类。该平台不仅展现出对抗坏血酸1 nM的检测限（LOD），更在对19类还原性物质的判别中达到100%准确率，凸显了其在还原性物质高灵敏检测与风味饮料普适性判别中的双重潜力。采用PCA、LDA和HCA对五种风味饮料的吸光度指纹进行分析，实现了组内物种的成功区分。在盲样测试中，本传感器阵列对五种风味饮料及其二元混合物的判别准确率分别达到98.2%和98%。为推进饮料分类的便携化与智能化，本研究训练了ResNet 50模型用于传感器阵列图像分类，准确率超过98%。随后开发了一个便携式通用风味饮料鉴别平台，该便携系统可实现从拍摄照片到输出结果的直接转换。本研究为风味饮料鉴别及减害物质检测提供了可行的策略，在食品生产与监管领域具有应用价值。
-
基于高光谱成像与深度学习的南丰蜜桔品质定性与定量分析
查看原文
2025
Food Control
中科院一区JCR一区
Jing Zhang, Hailiang Zhang, Yizhi Zhang, Jiuhong Yin, Baishao Zhan, Xuemei Liu & Wei Luo
计算机标签
卷积神经网络 偏最小二乘法 支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱 中等规模数据集食品标签
新鲜水果 颜色与外观品质 光谱/色谱/质谱等分析方法 碳水化合物与糖类水果已成为人们日常生活中不可或缺的食品，其外部缺陷和内部品质均受到销售者与消费者的高度重视。本研究结合高光谱成像技术与深度学习方法，对南丰蜜桔的外部缺陷及可溶性固形物含量（SSC）进行快速、无损检测。实验采集了具有四类缺陷（炭疽病、黑斑病、腐烂和疤痕）以及完好无损的南丰蜜桔样本在380–1030 nm波段范围内的高光谱数据。首先，提出了一种用于定性分析的端到端卷积神经网络（CNN）模型，并将其分类性能与传统分类模型进行了对比。研究中应用了三种预处理方法和三种特征选择技术。结果表明，基于竞争性自适应重加权采样（CARS）特征选择的CNN模型在缺陷识别任务中取得了最高的总体准确率，达到97.27%。此外，以150个完好南丰蜜桔为对象，分别基于全光谱和特征波长构建了偏最小二乘回归（PLSR）、最小二乘支持向量机（LSSVM）和CNN三种定量预测模型用于SSC预测。其中，CNN模型表现最优，其预测决定系数（R²）、预测均方根误差（RMSEP）和残差预测偏差（RPD）分别为0.9290、0.3772和3.7655。综上所述，本研究证实了高光谱成像结合深度学习在南丰蜜桔外部缺陷识别与SSC预测中的可行性，为其他水果内外品质的综合评估提供了一种新方法。
