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 108 条结果
-
基于拓扑集成框架的改进型FTIR食品真实性分类方法
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Hsin-Chun Yu, & Yu-Kai Chen
计算机标签
机器学习/统计学习 模型可解释性 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据 公开数据集食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归保障食品的真实性与品质是食品科学和技术领域的一项重要挑战，尤其是在产品组成差异细微且无法通过肉眼辨别时。傅里叶变换红外（FTIR）光谱是具有应用潜力的食品真实性鉴别工具，但实际光谱常存在基线漂移、散射效应和吸收峰重叠，增加了可靠判别的难度。这类非线性及相互重叠的光谱信号可能限制主成分分析、偏最小二乘回归等传统化学计量学方法的性能，因为这些方法虽然广泛用于降维和回归，却往往难以泛化至非线性光谱数据。为解决上述问题，本研究提出一种新框架：利用滑动窗口嵌入和拓扑数据分析（TDA）提取光谱的局部、中尺度及全局结构，随后使用以透明基础学习器构成的Bagging集成模型进行稳健预测。研究采用UCR时间序列分类档案中的6个食品相关FTIR基准数据集，在官方固定训练—测试划分下进行综合评估，未实施额外的特定数据集预处理。根据文献报告结果，在标准化UCR基准设置下，该方法相较20种常用的距离型、特征型、集成型及深度学习型时间序列分类器表现出持续稳健的性能，并在不同食品类别中取得较高的分类准确率和Macro-F1值。分析还表明，多尺度拓扑描述符能够增强模型的可解释性，并揭示光谱变异特征。总体而言，该框架兼顾透明性、稳健性和计算效率，可为后续在受控采集条件下评估测量特异性影响的研究提供可复现的基准参考。
-
承诺与证据：高光谱成像能否超越概念验证用于食品源性病原体检测？
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jana Schreuder, Diane Rip, & Paul James Williams
计算机标签
深度学习 模型可解释性 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
微生物安全 光谱/色谱/质谱等分析方法 显微与成像技术背景：遵守食品安全标准是管理食品制造中财务和声誉风险的核心，这反过来推动了对快速病原体检测的需求。近红外高光谱成像（NIR-HSI），即近红外光谱与成像的结合，已成为一种有前景的、快速的、无损的工具，用于检测食源性病原体，并在各种基质上区分属、种和血清型。范围与方法：本综述从基础光谱学原理到实际应用，对NIR-HSI在病原体检测中的证据进行了批判性评估。它总结了在培养基、涂片和食品上的当前应用，比较了NIR-HSI与已有的培养、PCR、ELISA和MALDI-TOF方法，并审查了用于数据分析的化学计量学和深度学习方法。主要发现和结论：在已发表的研究中，有用的光谱带主要集中在可见近红外（VNIR）仪器的可见区域。然而，其潜在的生化机制仍然定义不清，这削弱了该技术在实际环境下的稳健性信心。大多数模型建立在小型、同质的数据集上，这些数据集往往缺乏微生物学现实性，对参考方法的验证不完整，并且几乎没有对不同基质、仪器或混合微生物群落的稳健性进行评估。意义和新颖性：在快速病原体检测领域，本综述阐述了澄清光谱指纹的机制基础、将深度学习与可解释的化学计量学结合以及标准化验证和报告，如何可能推动近红外高光谱成像（NIR-HSI）超越概念验证阶段。它还确定了现实的近期应用领域，例如在高通量实验室中的样品分流和血清型导向筛查，在当前技术限制下，近红外高光谱成像（NIR-HSI）可能提供实际的好处。
-
计算机标签
卷积神经网络 模型可解释性 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
茶/茶饮料 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 传统统计分析与回归同步识别年份和等级对于六堡茶真实性鉴别和市场监管至关重要。然而，现有六堡茶太赫兹时域光谱研究大多基于固定数据集，未解决当新年份样品出现后部署模型应如何更新的问题。本文提出一种基于 THz-TDS 的可解释多任务增量学习框架，用于年份和等级联合评估以及模型持续更新。共享骨干的多任务卷积神经网络在预处理光谱上经过 5 次运行获得 0.960 ± 0.016 的联合准确率，优于化学计量学基线和单任务卷积神经网络。在增量更新方面，经验回放结合知识蒸馏可在受限回放记忆预算下有效缓解灾难性遗忘。经过两次增量更新后，该策略在仅保留约 60% 历史训练样本的情况下，获得 0.912 ± 0.011 的调和平均准确率和 0.082 ± 0.015 的平均遗忘率，优于单独回放和静态微调。基于 SHAP 的模型解释进一步识别出 1.3-1.6 THz 为任务相关光谱区域，并对判别贡献显著。总体而言，该框架在单一 THz-TDS 工作流中整合联合预测、持续更新和可解释频段分析，为六堡茶真实性鉴别和质量监管提供了快速、无损且实用的方法。
-
人工智能驱动果蔬加工领域改进：从在线检测到未来食品设计，从安全到个性化营养
查看原文
2026
Food Control
中科院一区JCR一区
Qin Chen, Shuixian Huang, Yanbing Zhang, Muhammad Muntaqeem Arain, Zhenzhen Xu, Xiaoyun Xu, Siyi Pan, & Fengxia Liu
计算机标签
模型可解释性 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据食品标签
新鲜蔬菜 食品安全与风险评估 质构与流变性质 显微与成像技术 质构与流变测试水果和蔬菜是维持人体健康的关键食品类别，但也面临多重挑战。随着人工智能发展，果蔬加工领域正经历从感知到决策的智能升级。本文系统讨论 AI 在果蔬加工全链条中的应用，包括原料识别、加工参数优化和未来食品设计。通过整合成像、传感器、数字孪生和多组学技术，AI 可提供实时、无损检测，提高可追溯性和加工效率约 30%，并减少浪费。AI 驱动的果蔬产品设计正成为研发核心。文章指出，AI 技术能够面向特定功能需求实现个性化营养，包括营养强化和质构定制；可食用传感器与 AI 结合还可实时监测果蔬营养摄入，并据此调整膳食菜单。尽管仍面临数据质量、模型可解释性、成本和伦理等问题，AI 技术正在推动果蔬加工产业迈向高度个性化、可预测和可持续的智能时代。
-
基于时间分辨LIBS的多任务专家混合CNN用于奶粉掺假的定性与定量协同分析
查看原文
2026
Food Research International
中科院一区JCR一区
Qirui Shao, Yi Li, Huiping Chai, Deng Zhang, Yonghong Ye, Honghua Ma & Lianbo Guo
计算机标签
卷积神经网络 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据食品标签
乳粉 食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法为对奶粉掺假实现高性能的定性与定量联合分析，本研究提出了一种基于时间分辨激光诱导击穿光谱的多任务专家混合卷积神经网络。该方法通过集成时间卷积网络和自适应Inception模块，充分捕获了时间分辨光谱中的局部光谱细节和全局时间模式。此外，通过采用多任务学习机制，该方法联合建模了分类和回归任务，实现了任务间的有效特征共享。同时，在定量分支中集成了专家混合架构，其中专家子模型处理特定的子任务，分类结果指导回归过程。与传统方法相比，MTMoE-CNN在测试集上取得了优越的性能，分类准确率达到0.950，回归指标为R2 = 0.864，RMSE = 2.897，MAE = 1.766。最后，消融研究、可转移性评估和可解释性分析进一步证明了该模型的鲁棒性、可扩展性和透明度。因此，这些结果凸显了MTMoE-CNN在实际快速食品安全监测中应用的强大潜力。
