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 393 条结果
-
基于电子眼、闪光气相色谱电子鼻和FT-NIR结合机器学习技术，快速评估姜黄的来源与质量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Qiang Guo, Ming-xuan Li, Rao Fu, Xin Wan, Wen-hao Dong, Chun-qin Mao, Zhen-hua Bian, De Ji, Tu-lin Lu & Yu Li
计算机标签
机器学习/统计学习 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 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
香精香料 品质、结构与理化性质 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 其他植物化学物质咖喱中的关键成分和受欢迎的健康补充剂姜黄曾遭受掺假和虚假原产地标签。本研究采用了E-eye、Flash GC e-nose和FT-NIR，结合机器学习和多变量算法，用于对姜黄成分的起源鉴定和定量预测。结果显示E-eye在产地分类方面表现不佳，而Flash GC e-nose识别出区分不同来源的姜黄味标记，但缺乏精确量化。在用SNV处理FT-NIR光谱后，包括SVM在内的三个机器学习模型的准确率从83.3%提升到100%。此外，针对三种成分（包括姜黄素）的PLSR模型也获得了平均R2训练和预测集的值均超过0.99，展现出优异的线性和预测准确性。总体而言，研究表明FT-NIR结合多元算法为快速鉴定黄酸起源和质量评估提供了有效且可行的方法。
-
鉴定用于多模荧光、紫外-可见和智能RGB监测及有毒汞去除的Au-ag量子点纳米酶2+以及 S2−在食品样本中
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jing Feng, Sheng Yao, Xiaohan Mei, Jiacheng Xie, Xujie Wang, Huitian Zhi, Ruhui Shang, Yingchao Yang, Lei Hu & Zhengquan Yan
计算机标签
机器学习/统计学习 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 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 其他特殊成分方便地监测和去除有毒的汞2+以及 S2−在食品样品中，鉴定出金单键-氮量子点纳米酶（Au-Ag@FA QDs）。叶酸（FA）、亚银和金之间的强烈协同效应使得Au-Ag@FA量子键具有更优越的过氧化物酶拟似活性，以加速3,3′，5,5′-四甲基苯并胺（TMB）与K的氧化还原 m/V马克斯0.28 mmol· L−1/6.40 × 10−8mol· L−1·s−1. 痕迹Hg2+或 S2−可以选择性地改变其过氧化物酶样活性和固有的荧光表现，并明显对Hg产生高色/“开启”荧光效应2+或S的低色度/“关闭”按钮2−. 而从智能手机分析的红-绿-蓝（RGB）数值则以c定期变化Hg2+或 cS2−. 在优化条件下，Au-Ag@FA量子点成功应用于多模紫外-可见、荧光和RGB汞的监测2+或 S2−在食品样本中。检测限为7.38×10−7/5.74 × 10−8/4.93 × 10−6g· L−1以及1.99×10−6/4.48 × 10−8/5.79 × 10−6g· L−1分别。重要的是，Hg超过93.8%2+或90.5% S2−检测后可通过简单的离心分离去除。对汞的选择性识别机制2+以及 S2−也被提议。
-
中国大学生的基于视力的饮食调查与评估系统
查看原文
2025
Food Chemistry
中科院一区JCR一区
Zichen Gao, Xufeng Yuan, Jie Lei, Hao Guo, Francesco Marinello, Lorenzo Gengini & Alberto Cencig
计算机标签
卷积神经网络 目标检测网络 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
预制菜/即食菜肴 营养与生物功能 食品安全与风险评估鉴于饮食失衡与营养不足的严峻问题，了解当代大学生的饮食习惯至关重要。然而，传统方法往往依赖回忆，易产生无意识偏差且难以落地。本文提出一种全新的计算机视觉系统，用于评估中国大学生的饮食习惯。基于高校食堂采集的数据，构建了包含RGB-D图像、配料质量配方及营养成分的专用食品数据集。首先，采用目标检测模型识别食品类别与位置；随后，提出一种利用位置与深度信息自动估算非标准份量食品体积的方法；最终通过数据库直接或间接推算营养成分。实验结果表明，YOLOv8目标检测模型与体积估算方法适用于本研究任务。为支撑食品摄入检测与饮食管理设备的研发，本研究已公开数据集，访问地址：https://github.com/zichengzichengzi/CC-FOOD-100。
-
基于3D打印和轻量级深度卷积神经网络（DCNN）的供应链中水果和蔬菜新鲜度智能监测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Tiantian Tang, Min Zhang, Huijie Jia, Bhesh Bhandari & Zhiming Rao
计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
新鲜蔬菜 品质、结构与理化性质 过程监测与在线检测 生产管理与数字化工厂 显微与成像技术本研究提出了一种创新的智能系统，用于监督新鲜农产品的质量，结合了3D打印技术和深度卷积神经网络（DCNN）。通过3D打印技术，实现了灵敏、轻便且可定制的双色一氧化碳2监测标签使用溴酚蓝和甲基红作为指示剂制作。这些标签被贴上以敏感监测一氧化碳的变化2蔬菜如绿叶蔬菜、黄瓜、秋葵、李子和枣子等储存过程中的含量。标签的ΔE被发现与一氧化碳呈显著正相关2水平和重量下降率，同时显示出与硬度的强烈反比关系，间接反映了农产品的新鲜度。此外，应用了四款轻量级DCNN模型（GhostNet、MobileNetv2、ShuffleNet和Xception）来识别不同储存日的标签图像，其中MobileNetv2表现最佳。三种秋葵鲜度等级的分类准确率分别为96.06%、91.12%和93.86%。基于该模型开发了一款移动应用，在不同储存阶段识别标签表现出色，适合实际应用并有效区分新鲜度。通过将新颖标签与先进的DCNN模型结合，食品监测的准确性和实时能力可显著提升。
-
可解释人工智能与移动成像技术用于牛油果成熟度和内部品质的无损评估，以减少食物浪费
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
In-Hwan Lee, Zhengao Li & Luyao Ma
计算机标签
支持向量机 随机森林 卷积神经网络 其他深度学习结构 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据 质构/流变/感官数据 大规模数据集食品标签
新鲜水果 质构与流变性质 质构与流变测试 显微与成像技术食物浪费是一项全球性挑战，其主要原因是对食品质量和剩余保质期的预测不准确。大约30%的食物浪费发生在零售和家庭层面，而传统的评估方法，如主观的视觉检查或破坏性的仪器分析，效率低下。在本研究中，我们将智能手机成像技术与深度学习相结合，用于无损预测牛油果的硬度和内部质量，旨在为更智能的消费和分配决策提供支持。牛油果因其较高的市场价值和较高的浪费率（约40%），被选为代表性的模型食品。在室温下为期8天的储存期内，使用智能手机收集了1400张牛油果图像的数据集。使用质构仪测量硬度，并将其作为成熟度指标和模型训练的真实值。为了预测成熟度，卷积神经网络残差回归（CNN ResNetR）模型实现了最高的准确率（R²=0.919），优于支持向量机回归（R²=0.818）和随机森林（R²=0.860）模型。根据行业标准，进一步将预测的硬度值映射为剩余保质期推荐。为了评估内部质量，我们开发了最先进的CNN和视觉Transformer模型，对牛油果的新鲜或腐烂状态进行分类，准确率超过84%。使用局部可解释的模型无关解释（LIME）技术获得了模型的可解释性，该技术识别了影响分类的关键图像特征。这种基于深度学习的框架提供了一种快速、可扩展且无损的解决方案，用于评估牛油果的成熟度和内部质量，有望减少食物浪费并改善供应链各环节的决策。
