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 291 条结果
-
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。
-
基于可见光和近红外光谱成像的蓝莓真实性鉴别中化学计量学与深度学习模型评估
查看原文
2026
Food Control
中科院一区JCR一区
Priyanka Dahiya, Christopher Kucha, Ebenezer Olaniyi, & Ashfaq Sial
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 多模态/融合数据 高光谱/多光谱光谱食品标签
新鲜水果 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 显微与成像技术可靠识别蓝莓品种对于质量控制、供应链追溯和防止欺诈至关重要。本研究评估了可见-近红外范围和近红外范围高光谱成像结合化学计量学与深度学习模型在蓝莓品种判别中的应用。研究提取平均光谱并使用偏最小二乘判别分析、线性判别分析、支持向量机和一维卷积神经网络进行分析，同时基于完整高光谱数据立方体的光谱-空间图像块训练三维卷积神经网络。全谱建模结果显示，1D-CNN 在 VNIR 数据上准确率最高，为 97.4%；LDA 在 NIR 数据上表现最好，准确率为 94.5%，体现了非线性模型和线性模型的互补优势。为减少冗余，研究在三种特征层数据融合策略下应用连续投影算法，包括选择前融合、分别选择和选择后融合。其中，选择后融合保持了最佳性能，3D-CNN 准确率最高，为 97.5%，其后为 LDA 的 91.0% 和 SVM 的 90.0%。这些结果表明，高光谱成像结合定制化建模策略，可为蓝莓品种真实性鉴别提供有效且可扩展的方法。
-
计算机标签
卷积神经网络 模型可解释性 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
茶/茶饮料 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 传统统计分析与回归同步识别年份和等级对于六堡茶真实性鉴别和市场监管至关重要。然而，现有六堡茶太赫兹时域光谱研究大多基于固定数据集，未解决当新年份样品出现后部署模型应如何更新的问题。本文提出一种基于 THz-TDS 的可解释多任务增量学习框架，用于年份和等级联合评估以及模型持续更新。共享骨干的多任务卷积神经网络在预处理光谱上经过 5 次运行获得 0.960 ± 0.016 的联合准确率，优于化学计量学基线和单任务卷积神经网络。在增量更新方面，经验回放结合知识蒸馏可在受限回放记忆预算下有效缓解灾难性遗忘。经过两次增量更新后，该策略在仅保留约 60% 历史训练样本的情况下，获得 0.912 ± 0.011 的调和平均准确率和 0.082 ± 0.015 的平均遗忘率，优于单独回放和静态微调。基于 SHAP 的模型解释进一步识别出 1.3-1.6 THz 为任务相关光谱区域，并对判别贡献显著。总体而言，该框架在单一 THz-TDS 工作流中整合联合预测、持续更新和可解释频段分析，为六堡茶真实性鉴别和质量监管提供了快速、无损且实用的方法。
-
基于对比学习的多模态注意力网络图像-光谱融合对红茶萎凋品质的智能评估
查看原文
2026
Food Chemistry
中科院一区JCR一区
Qin Ouyang, Huilin Chang, Dengshan Li, Zhenhao Xu, Yuanbin She, & Zhonghua Liu
计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据 红外/拉曼光谱数据食品标签
茶/茶饮料 过程监测与在线检测 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类萎凋是一个对红茶最终质量有重大影响的关键工艺。传统的评估方法依赖人工评价，往往带有主观性且耗时。为克服这一限制，我们提出了一种基于计算机视觉（CV）和近红外光谱（NIRs）的多模态评估方法，在红茶萎凋过程中整合了定性分类和定量预测。针对萎凋程度的分类，我们开发了一种多模态注意力融合网络，该网络结合了CV特征提取模块（金字塔CNN）、NIRs特征提取模块（增强注意力CNN和门控循环单元），以及采用对比学习的跨模态融合机制，实现了95.56%的准确率。为了进行定量评估，我们构建了一个结合压缩与激励增强的ResNet18模型，将可见光（CV）和近红外（NIRs）特征融合，用于预测水分和可溶性糖含量，测试集相关系数分别为0.9151和0.9023。这些创新为黑茶萎凋的智能评估提供了全面的策略。
-
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。
