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
-
基于深度学习的食品操作员良好卫生规范控制措施检测
查看原文
2025
Food Control
中科院一区JCR一区
I-Chun Chen, Ching-Ho Chi & Hao-Hsiang Ku
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 超大规模/工业级数据集食品标签
食品安全与风险评估 其他难以归类的方法食品操作员的卫生习惯和行为对确保生产过程中的食品安全至关重要。良好卫生规范（GHP）要求食品操作员遵循严格的卫生标准，包括正确的洗手程序和使用个人防护装备（PPE），如发网、口罩、手套、防护服、裤子和工作鞋，以防止食品工厂中的交叉污染。然而，在大规模操作中，人工检查通常效率低下且不切实际。为此，本研究提出了一种基于深度学习的系统，利用计算机视觉和卷积神经网络（CNN）在工人进入生产区域前自动检测手部卫生和PPE合规性。这确保了GHP标准的遵守，增强了食品安全，提高了检查效率并降低了成本。使用一个包含20，222个条目的数据集（涵盖8个角度的12个洗手动作和彩色编码的PPE状态）来训练和评估10个模型：YOLOv8、YOLOv7、YOLOv6、YOLOv5、ResNet、DenseNet、MobileNetv2、EfficientNetv2、VGG和Vision Transformer（ViT）。YOLOv6和YOLOv8在洗手识别方面达到了最高准确率（0.999），而DenseNet在PPE检测方面达到了最高准确率（0.956）。该系统为监测卫生习惯提供了一种高效、自动化的解决方案，有助于防止交叉污染并确保工厂环境内的食品安全。
-
深度学习使得在食物残渣存在下能够快速检测活细菌
查看原文
2025
npj Science of Food
中科院一区JCR一区
Hyeon Woo Park, Zhengao Li, Luyao Ma & Nitin Nitin
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 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
微生物安全 显微与成像技术食源性致病菌污染是一个重大的公共卫生问题，需要快速、准确的检测方法。传统方法，如基于培养或分子检测的方法，耗时耗力，且通常需要专业知识。在此，我们开发了一种基于深度学习的策略，利用微菌落的简单白光图像，即使存在形态相似的食物残渣，也能快速检测和分类活细菌。该模型基于ResNet50和区域提议网络，使用大肠杆菌、单核细胞增生李斯特菌、枯草芽孢杆菌以及鸡肉、菠菜和奶酪的残渣进行训练。仅用细菌训练的模型将残渣误分类为细菌（假阳性率为24.2%），而同时用细菌和食物残渣训练的模型实现了0%的假阳性率、100%的精确度和94.4%的召回率。使用产GFP的枯草芽孢杆菌在食品基质中的验证进一步证实了其稳健的性能（平均精确度94.6%，平均召回率92.5%）。这种经济高效的方法可在3小时内实现对复杂食品中细菌的可靠检测。
-
一个荧光探针-智能手机-机器学习集成平台，用于农业产品中目视和智能检测咪达氯啉
查看原文
2025
Food Chemistry
中科院一区JCR一区
Zheng Zheng, Xinfang Liu, Rongfang Li, Xu Liu, Xiangyu Zhang, Xun Feng & Lijuan Zhou
计算机标签
深度学习 智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据食品标签
大米 新鲜蔬菜 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 其他特殊成分吡虫啉是一种常用于农业生产的农药。便携且准确地检测伊米达克啉残留物对食品安全和人体健康具有重要意义。这里制备了一个红光发光稀土复合物（Eu-IMDC）探针，具有低检测限（75 nM）、高选择性和快速响应速度（30秒）用于吡虫啉的检测。通过实验和理论计算研究检测机制。此外，构建并应用了集成荧光探针、智能手机和前馈神经网络（FNN）模型的智能检测平台，用于真实稻米、小米和姜样品的吡咯啉检测，回收率范围为96.78%至104.77%，相对标准差（RSD）值低于3.83%。同时，相关参数，如决定系数（R2均方根误差（RMSE）和残差预测偏差（RPD）值，显示FNN模型的拟合和预测性能极佳。这项工作为农产品中农药残留物提供了快速、便携且智能的感测平台。
-
运动恢复结构-卷积神经网络模型（SfM-CNN）实现了用于饮食回顾的准确便携式中国饮食化学成分估算
查看原文
2025
Food Chemistry
中科院一区JCR一区
Peihua Ma, Hsuan Chih Hong, Xiaoxue Jia, Cheng Jan Chi, Ning Xiao, Bei Fan, Fengzhong Wang & Cheng-I Wei
计算机标签
卷积神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
营养与生物功能 理化与结构表征 碳水化合物与糖类准确估算膳食摄入的化学成分对于健康和营养管理至关重要，尤其是在中国这样烹饪多样性复杂的地区。本研究介绍了一种新颖的人工智能驱动解决方案，该方案采用运动恢复结构-卷积神经网络（SfM-CNN）模型来自动分析中餐的化学成分。通过将先进的三维重建技术与深度学习（特别是尺度不变特征变换（SIFT）算法）相结合，我们实现了卓越的特征提取和食物体积估算，误差低于4%。我们的模型在新开发的ChineseDish-100数据集上进行了训练，结果显示，使用SIFT-ResNet50架构估算碳水化合物含量时，决定系数（R²）达到0.949。通过可视化，该模型的可解释性得到增强，这有助于参数优化和可靠的化学成分估算。这些结果凸显了人工智能驱动的模型在提供高效、准确且具有文化相关性的膳食分析工具方面的潜力，标志着在文化多样性地区的营养科学、食品化学和公共卫生举措方面取得了重大进展。
-
一种基于葡萄糖代谢的智能手机集成比色微生物检测法用于食品中残留抗生素的检测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jun-Hyeok Ham, Yeon-Jung Lee & Hae-Yeong Kim
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
其他复合食品 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分快速且准确地检测食品中的残留抗生素，对于保障食品安全和公众健康至关重要。在本研究中，我们开发了一种集成智能手机的比色传感器阵列，能够对食品中的残留抗生素进行精确的现场检测。该传感器阵列旨在监测四种不同细菌的葡萄糖代谢情况，每种细菌对抗生素暴露的反应各不相同。酚红作为一种对pH敏感的指示剂，可直观显示代谢酸化过程，从而产生与八种抗生素相对应的独特比色指纹图谱。通过基于智能手机的红/绿/蓝信号处理对产生的比色变化进行分析，能够在低浓度（0.5–1 μg/mL）下实现对抗生素的精确识别和定量。该传感器阵列成功区分了真实食品基质（包括牛奶、鸡肉、猪肉和牛肉）中的所有八种抗生素。这种生物传感平台被开发为一款智能手机应用程序，无需专用设备即可进行抗生素检测。这种智能手机辅助的比色生物传感器为加强食品安全提供了一种简单、便携的解决方案。
