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 2456 条结果
-
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。
-
基于高光谱成像和深度学习的中国沙果早期碰伤检测
查看原文
2026
LWT
中科院一区JCR一区
Dajie Song, Yu Song, Weijie Lan, Zhenjie Wang, & Leiqing Pan
计算机标签
卷积神经网络 偏最小二乘法 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
新鲜水果 品质、结构与理化性质 保藏与贮藏 显微与成像技术早期且准确地检测果实损伤对于保持中国沙果采后品质至关重要。本研究利用 400-1000 nm 高光谱成像开发了一种快速、无损的早期碰伤检测方法。研究在 7 天贮藏期内采集了经不同冲击能量（0、0.14、0.27 和 0.41 J）处理果实的高光谱图像。光谱分析显示，特定波长区域与碰伤诱导的生理变化密切相关。研究构建并比较了偏最小二乘判别分析、支持向量机判别分析和一维卷积神经网络。1D-CNN 表现最佳，在全光谱数据下总体验证准确率为 89.9%，在冲击后 2 h 使用筛选特征波长（520-560、625-695 和 710-760 nm）时达到 91.3%。这一简化特征波长模型在保持高准确率的同时显著降低了计算复杂度，显示出用于实时分选的潜力。结果表明，高光谱成像结合 1D-CNN 可为中国沙果早期碰伤无损检测提供稳健高效的工具。
-
基于适配体功能化MIL-101纳米酶双重识别与催化调控机制的卡那霉素及卡那霉素B同步检测深度学习感应平台
查看原文
2026
Food Frontiers
中科院一区JCR一区
Yadi Qin, Jie Qian, Jian Sun, Qinqin Li, Jun Yao, & Minwei Zhang
计算机标签
其他深度学习结构 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
化学污染物 过程监测与在线检测 显微与成像技术 其他特殊成分大量使用抗生素引发了对食品中残留问题的关注，因此需要快速且准确的检测。本研究将智能手机辅助深度学习与适配体功能化的MIL-101(Fe)纳米酶相结合，构建了一种能够同时识别和定量卡那霉素（KAN）与卡那霉素B（KMB）的双识别生物传感器。MIL-101(Fe)表现出较高的吸附能和高朗缪尔拟合容量（KAN为28.39 mg/g；KMB为31.36 mg/g），表明在Fe ─OH位点发生单分子层结合，并部分抑制了催化活性。适配体修饰实现了选择性分子识别并加速电子转移，从而协同增强了纳米酶性能。结合基于ResNet的多任务模型，智能手机成像可实现单样品和混合样品的准确分类，并在5-1000 nM范围内进行精确定量。在蜂蜜和牛肉中的测试显示回收率为84.71%-111.50%，确认了其稳定性和实用性。总体而言，aptamer增强的MIL-101(Fe)纳米酶结合深度学习，为食品中抗生素残留的现场监测提供了一种灵敏、便携的方法。
-
协同天线效应驱动的多通道比率式可穿戴传感器，用于氟喹诺酮类似物的现场可视检测和精确辨别
查看原文
2026
Food Chemistry
中科院一区JCR一区
Shengnan Yin, Xiaofeng Chen, & Mansoor Akhtar
计算机标签
智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据食品标签
化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分氟喹诺酮类抗生素（FQs）的滥用和过度使用构成了全球性威胁，这推动了有效检测方法的需求。本研究通过整合碲化镉量子点（CdTe QDs）和铽基配位聚合物，开发了一种多通道比率传感器，用于FQs的检测和区分。恩诺沙星（ENR）的加入触发了天线效应，增强了绿色Tb(III)发射并降低了红色CdTe QDs荧光，从而产生明显的颜色变化。此外，本研究构建了一套现场检测系统，包括智能手机检测器和可穿戴指尖传感器，用于快速实时检测ENR，在光谱仪和纸基传感器上分别实现了4.7 nM和13.1 nM的高灵敏度检测限。通过在食品样品中获得令人满意的回收率（91.7% - 110.7%），展示了其实用适用性，并确认了其抗干扰能力。最后，通过将该平台扩展为阵列格式，传感器成功区分了ENR类似物，突显了其在污染物监测方面的广阔潜力。
-
基于蒙特卡罗的预测模型用于支持快餐薯条中丙烯酰胺风险缓解
查看原文
2026
Food Control
中科院一区JCR一区
Jamaludin Nur Hidayah, Ahmad Faizal Abdul Razis, Nuzul Noorahya Jambari, Chai Lay Ching, Lijun You, & Maimunah Sanny
计算机标签
机器学习/统计学习 定量预测/回归分析 合成/仿真数据为主食品标签
马铃薯 植物油 化学污染物 过敏原与毒性问题 常规理化指标测定 标准/法规/数据库分析 其他特殊成分丙烯酰胺是一种可能的人类致癌物，可通过美拉德反应形成，仍是油炸马铃薯产品中的持续食品安全问题。尽管已有标准操作程序，现场观察显示快餐油炸操作仍存在显著差异，这些差异来自原料组成、油脂管理、温度、时间和人工决策。本研究开发并验证了一种基于多元线性回归的蒙特卡罗预测模型，用于利用部分快餐连锁店的实测数据量化细薯条中丙烯酰胺形成。模型在 @RISK 软件中运行，设置 10000 次迭代和 3 次重复，将真实操作变异纳入后生成概率预测，且与实测数据高度一致（Kolmogorov-Smirnov，p = 1.000）。与受控实验室条件下建立的模型不同，该方法反映了商业环境复杂性，因此更适合风险管理。敏感性分析确定葡萄糖含量、水分、油炸时间和温度是最有影响的变量。情景分析表明，将油炸温度保持在 170 °C 以下并将油炸时间限制在 3 min 以内，是影响大且可行的缓解措施。其他关于油脂类型、解冻方式和炸锅使用的情景也揭示了造成未解释变异的操作因素，为风险降低提供补充路径。该模型可在多种油炸实践中提供量化、情景化结果，使监管机构和行业利益相关方在实施前评估干预效果。虽然本文以薯条丙烯酰胺为例，但该框架可适用于其他化学危害和食品部门。
