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
-
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。
-
基于迁移学习和三维辐射传输模型的酿酒葡萄叶片叶绿素含量高光谱估算
查看原文
2026
Artificial Intelligence in Agriculture
中科院一区JCR一区
Qifan Chen, Zhiwen Mi, Qifan Wang, Fahu Xu, Yulin Fang, Rui Wang, Yuyang Song, & Baofeng Su
计算机标签
深度学习 梯度提升决策树 智能手机/其他 迁移学习/领域自适应 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱 超大规模/工业级数据集 合成/仿真数据为主食品标签
新鲜水果 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 常规理化指标测定 其他植物化学物质准确、及时地监测酿酒葡萄叶片叶绿素含量（LCC），对于评价其光合状态、优化管理与种植措施以及提高产量和品质至关重要。传统的物理模型和经验模型估算方法往往存在不确定性，并且难以充分适应非线性关系。本研究构建了一种用于估算酿酒葡萄 LCC 的无人机高光谱深度学习网络 VitiChlNet，并将三维辐射传输模型（3D RTM）与深度迁移学习技术相结合，实现不同品种和生育期酿酒葡萄 LCC 的估算与制图。首先，使用 LESS 模型模拟不同冠层结构和观测条件下的 80,000 条冠层反射率数据，并利用该模拟数据集对 VitiChlNet 进行预训练。随后，基于实测无人机高光谱数据和 LCC 数据，通过迁移学习对模型进行微调。研究将 VitiChlNet 的性能与经验方法和物理方法进行了比较。具体而言，采用全光谱、植被指数、竞争性自适应重加权采样、连续投影算法和无信息变量消除五种光谱特征构建策略，分别建立 XGBoost、LightGBM 和岭回归三种机器学习经验模型；同时构建基于 LESS 模型的查找表反演策略。此外，研究还对不同生育期的多种酿酒葡萄进行了 LCC 制图。结果表明，VitiChlNet 的表现优于其他方法，具有更好的 LCC 估算性能（R²=0.69），且受氮浓度和年际差异等因素的影响较小。迁移学习提高了 LCC 估算精度，并有效解决了小样本条件下的泛化问题。本研究可为酿酒葡萄 LCC 的大范围监测提供一种可行策略，对种植管理实践具有重要意义。
-
机器学习驱动的多源数据融合实现酱香型白酒生产工艺精准判别
查看原文
2026
Food Research International
中科院一区JCR一区
Longyuan Lin, Ziying Ruan, Na Zhang, Yifeng Ye, Qianqian Zhang, Saige Wang & Jicheng Chen
计算机标签
梯度提升决策树 模型可解释性 超参优化/自动机器学习 分类/鉴别/等级评定 时序传感器/物联网数据 组学数据 多模态/融合数据食品标签
酒精饮料 谷物发酵食品 特征风味 光谱/色谱/质谱等分析方法 其他理化与结构表征酿造工艺——尤其是坤沙工艺（KSJ）、碎沙工艺（SSJ）与翻沙工艺（FSJ）之间的差异——对酱香型白酒（MFB）的最终品质与风味特征起着决定性作用，这凸显了建立可靠鉴别方法的必要性。为应对这一难题，本研究构建了一套融合多源风味轮廓分析与先进机器学习技术的综合分析框架。研究采用电子鼻、电子舌、气相色谱-氢火焰离子化检测器（GC-FID）及顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS），对代表三种工艺的共计80个样品进行了全面表征。结果显示，样品在挥发性成分轮廓与味觉属性方面存在显著差异，其中电子鼻传感器对氮氧化物具有高灵敏度，电子舌分析则判定酸味为关键鉴别属性。色谱分析进一步鉴定出45种关键香气活性化合物（相对气味活度值ROAV≥1）。本研究构建了9种机器学习分类器，并通过贝叶斯超参数优化进行系统优化。其中CatBoost模型表现最优，分类准确率达97.0%。基于SHAP框架的可解释性分析表明，乙酸乙酯、2,3,5,6-四甲基吡嗪等化合物是驱动工艺鉴别核心特征，这与现有酿造化学原理一致。上述研究结果表明，多源数据融合与优化机器学习相结合，可为酱香型白酒生产中的工艺溯源与质量控制提供一种可靠的数据驱动策略。
-
利用近红外光谱对德埃萨生态系统中橡果饲喂纯种伊比利亚猪进行活体真实性鉴别
查看原文
2026
Food Control
中科院一区JCR一区
Alberto Ortiz, Javier García-Gudiño, Lucía León, María Freire, & David Tejerina
计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
畜肉 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法本研究评估近红外光谱在德埃萨生态系统中纯种伊比利亚猪最终育肥阶段活体鉴别饲喂制度的可行性。研究共监测 167 头动物，覆盖三种饲喂策略，分别为橡果饲喂组（n = 40）、部分补饲组（n = 83）和完全补饲组（n = 44），这些策略在补充饲料水平和时间安排上不同。最终育肥阶段结束后，研究采集每头动物的近红外光谱。基于偏最小二乘判别分析建立的模型在外部验证中准确率超过 90%，Matthews 相关系数为 0.77，说明即使不同饲喂制度高度相似且均可获取天然资源，该模型仍具有较强区分能力。结果证实，NIRS 可作为可靠、无损、快速的工具，用于活体鉴别橡果饲喂伊比利亚猪，并有望加强可追溯性、防止欺诈行为，支持伊比利亚猪产业的官方检验和认证流程。
-
文本到图像模型中的食品颜色-风味关联
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
Jorge A. Alvarado, & Carlos Velasco
计算机标签
大语言模型 知识抽取与语义理解 可见光/RGB/视频数据 文本/知识库/法规数据食品标签
特征风味 颜色与外观品质 显微与成像技术本研究使用文本到图像模型在食品（特定情境的领域）中探索颜色-味觉对应关系，并提供了关于模型对这种关联敏感性的见解。结果证实了苦味与黑色的关联，以及咸味与蓝色的关联，而甜味与红色或酸味与黄色之间的联系在不同食品项目中不一致。然而，被描述为苦味的甜食显示红色色调减少，这有助于了解预期味觉与描绘味觉之间的差异。研究结果表明，情感和语义关联在各种食品项目中都起着重要作用。在生成的图像中经常出现外在视觉线索，这对食品营销和包装具有启示意义。
