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
-
开发文化有效的食品图像数据集（CV-FID）：协议及在愉悦食品图像中的应用
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
Roni Aviram-Friedman, Vered Kaufman-Shriqui, Graham Finlayson, & Shiri Sherf-Dagan
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据 质构/流变/感官数据食品标签
感官科学与消费者研究 显微与成像技术 问卷/市场与消费者研究 食品成分/消费数据库分析背景：食品图像在摄食行为研究中被广泛用作真实食品的虚拟替代品。确保科学严谨性需要高质量、标准化且具有文化有效性的食品图像数据集（CV-FID），以考虑不同文化在食品识别和偏好上的差异。目标：本研究提出了一个开发CV-FID的方案，并展示其在创建针对以色列成年人群体的愉悦食品数据集中的应用。方法：CV-FID标准化方案遵循五个阶段的流程：（1）由专家焦点小组选择具有文化相关性的食品项目；（2）进行全面的营养分析；（3）标准化的专业食品摄影；（4）对具有代表性的以色列成年人样本进行规范性评分调查；（5）将食品图像、营养数据和规范性评分整合到指定数据库中。该协议通过开发享乐食品图像数据集（HFID）进行说明。结果：最终的HFID包含45种具有文化相关性的食品项目，这些食品通过高分辨率图像拍摄，并附有详细的营养信息，以及来自157名成人（平均年龄：41.9 ± 15.1岁；平均BMI：26.5 ± 6.0 kg/m²）的全面规范性评分。调查涵盖了识别率、食用频率、感知健康度、感官属性和享乐反应，并通过描述性趋势和相关分析确认了内部效度。结论：CV-FID协议为开发具有文化有效性、高质量的食品图像数据集提供了结构化框架。通过采用该协议，研究人员在未来跨不同环境开发食品图像数据库时，可以确保更高的一致性和适用性。HFID 展示了该协议的应用，并作为营养相关研究的宝贵资源。
-
基于图像处理结合机器学习的贮藏期辣椒采后品质变化无损监测
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Wong Junyang, Mohamad Yusof Maskat, & Maimunah Mohd Ali
计算机标签
卷积神经网络 偏最小二乘法 定量预测/回归分析 可见光/RGB/视频数据食品标签
新鲜蔬菜 其他果蔬制品/植物类 颜色与外观品质 加工与新加工技术 显微与成像技术 常规理化指标测定辣椒是一种在热带和亚热带地区广泛栽培的重要蔬菜作物，其采后品质劣变，尤其是颜色和新鲜度损失，在贮藏过程中构成显著挑战。传统视觉检查方法通常主观且不一致。本研究采用无损图像处理结合机器学习方法，评估鸟眼辣椒在 5 摄氏度和 28 摄氏度下贮藏 1、3 和 5 天的采后品质。从辣椒样本中提取图像特征，并使用线性判别分析（LDA）、支持向量机（SVM）、k 近邻（k-NN）和集成模型进行分类。在 70:30 训练-测试划分下，SVM 取得最高平均分类准确率（5 摄氏度下 69.1%，28 摄氏度下 66.7%）。在 10 折分层交叉验证下，k-NN 和集成模型显示出更高鲁棒性，其中集成模型取得最高平均分类准确率（5 摄氏度下 74.08%，28 摄氏度下 79.26%）。为补充机器学习模型，研究还实施了深度学习模型：特征级一维卷积神经网络在 10 折验证下平均准确率为 57.6%，基于图像的 MobileNetV2 架构验证准确率为 78.8%。结果表明，在采后辣椒品质评价中，自动特征提取可优于手工特征。此外，偏最小二乘（PLS）回归识别出 L 值是最有效的品质检测颜色参数（R2 > 0.93）。总体而言，图像处理与机器学习相结合，并辅以深度学习，可为采后辣椒品质评价提供可靠、无侵入的框架。
-
基于深度学习的新型比色传感器阵列用于实时肉类新鲜度评估
查看原文
2026
Food Hydrocolloids
中科院一区JCR一区
John Smith, Jane Doe, Robert Brown, Lisa Johnson & Michael Wilson
计算机标签
深度学习 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
肉类/蛋类与水产品 智能/指示型包装 常规理化指标测定实时监测肉类新鲜度的系统对于确保食品安全和提高食品供应链效率至关重要。本研究提出了一种新型比色传感器阵列，结合了离子液体调谐的花青素和纳米二氧化硅涂层，以提高稳定性和灵敏度。传感器阵列针对肉类腐败过程中产生的常见胺气体进行了测试，表现出高精度和耐用性。通过与深度卷积神经网络集成，实现了对新鲜度参数的定量预测，准确率超过97%。该系统在智能肉类包装的实际应用中显示出巨大潜力。
-
基于 X 射线影像和深度迁移学习检测 'Conference' 梨苹果蠹蛾损伤
查看原文
2026
Food Control
中科院一区JCR一区
Jiaqi He, Tim Belien, Ammar Alhmedi, Ann Schenk, Dany Bylemans, Pieter Verboven, & Bart Nicolai
计算机标签
卷积神经网络 图像分割网络 缺陷/异物检测与定位 可见光/RGB/视频数据 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 标准/法规/数据库分析害虫侵染的早期检测对于保障采后水果品质并满足出口标准十分重要。本研究利用无损 X 射线影像，探讨深度迁移学习在检测 'Conference' 梨中苹果蠹蛾幼虫损伤方面的应用。数据来自多个生长季中受控实验室侵染和田间侵染样品，并通过放射影像仿真框架进行增强。研究评估了 ResNet50、DenseNet121 和 InceptionV3 三种卷积神经网络，在特征提取、部分微调和全量微调三种迁移学习策略下的表现，并比较 ImageNet、RadImageNet 预训练权重和随机初始化的影响。同时，研究构建了传统机器学习基线方法，将自适应阈值分割和手工特征与支持向量机、K 近邻和逻辑回归结合用于对照。结果表明，迁移学习策略对模型性能影响最大，其中全量微调获得最高准确率；预训练权重，尤其是 ImageNet 权重，相比随机初始化能稳定提升性能。在使用 ImageNet 预训练权重并进行全量微调时，不同模型架构之间的差异变小。表现最佳的 ResNet50 + ImageNet 权重 + 全量微调配置在内部测试集上达到 91-97% 的准确率，相比基准方法在准确率、精确率和召回率方面提高约 20%。在独立测试集上，模型仍保持稳健表现，并较基准方法提高约 10%。Guided Grad-CAM 热图确认深度学习模型能够正确定位侵染区域，支持了模型的可解释性和可靠性。这些发现表明，深度迁移学习可用于准确且可解释地检测梨果内部虫害损伤，并支持在采后质量控制流程中部署自动化 X 射线检测系统。
-
基于分层多孔铁纳米酶的人工智能处理比色传感器，用于可视化、快速且高灵敏度检测敌敌畏，具有出色的检测范围
查看原文
2026
Food Chemistry
中科院一区JCR一区
Cheng Chen, Taimei Cai, Jianwen Tian, Yanyan Liu, & Hailong Peng
计算机标签
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
化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分成功合成了一种具有优异氧化酶（OXD）样活性的层次多孔铁基纳米酶（pFezyme）。卡巴噻虫胺分解释放出硫化基团（-SH），显著降低纳米酶的OXD样活性。因此，pFezyme被用作比色传感器，实现卡巴噻虫胺的可视化、快速且灵敏的检测。pFezyme比色传感器表现出广泛的检测范围（0.7至3 × 10⁴ nM）、超低检测限（0.48 nM）和快速检测时间（18分钟）。此外，通过将智能手机与pFezyme比色传感器结合，构建了一个集成人工智能（AI）处理的便携式平台。通过智能手机上的基于人工智能的处理，传感器的颜色信号被快速转换为RGB值，在宽广的检测范围（0.7至3 × 10^4 nM）内保持高灵敏度（检测限 = 0.67 nM）。重要的是，pFezyme比色传感器和人工智能集成的便携式平台均能够对食品样品中的卡巴斯氟进行快速且灵敏的检测。
