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
-
机器学习辅助脉冲光对杨梅干终端脱污染及多屏障微生物控制体系构建
查看原文
2026
Food Control
中科院一区JCR一区
Kui Suo, Xiaorui Dong, Yiting Guo, Yong Wang, Baoguo Xu, Cunshan Zhou, Liyu Shi, Zhenfeng Yang, & Yabin Feng
计算机标签
支持向量机 逻辑回归/贝叶斯 定量预测/回归分析 小规模数据集食品标签
果蔬干/果脯/蔬菜干 微生物安全 颜色与外观品质 常规理化指标测定 微生物计数与生长曲线杨梅干表面具有瘤状结构，使脉冲光脱污染更具挑战性。因此，本研究在小样本条件下，系统评价了响应面法、支持向量回归以及分别结合遗传算法、灰狼优化器和贝叶斯优化的 SVR 对脉冲光工艺的优化效果，并同步评估产品品质。同时，研究整合清洗、预处理-干燥和终端脉冲光脱污染等全流程，构建多屏障微生物控制体系。在所有模型中，BO-SVR 预测精度最高，R2 为 0.9889，RMSE 为 0.0159，优于 RSM、SVR、GA-SVR 和 GWO-SVR，这归因于贝叶斯优化对超参数的高效探索。实际应用中，BO-SVR 优化的脉冲光参数设定为 1000 J、4 cm 和 20 次闪照，其预测结果最接近实际值。此外，BO-SVR 优化的脉冲光处理可保持颜色、脆度和复水率与未处理样品相近，但部分生物活性成分和抗氧化能力有所损失，尤其是抗坏血酸。集成多屏障系统使菌落总数降低约 3.83 log CFU/g，约相当于 99.99%；同时未检出大肠菌群、沙门氏菌和金黄色葡萄球菌，显示出微生物安全裕度。总体而言，该研究表明，机器学习辅助优化可有效增强复杂表面高价值果干的脉冲光脱污染效果。
-
利用拉曼光谱对牛奶/奶粉中掺假物和污染物的质量分析与检测
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
B. Sudarshan Acharya, Sreerag Nair, & Abdul Ajees Abdul Salam
计算机标签
深度学习 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 高光谱/多光谱光谱食品标签
液态乳 乳粉 其他安全问题 化学污染物 光谱/色谱/质谱等分析方法 显微与成像技术 其他特殊成分牛奶和奶粉是全球营养的重要组成部分，但仍容易受到掺假和污染的影响。通过添加水、尿素、硫酸铵、硫氰酸盐、洗涤剂、三聚氰胺，或通过乳清和碳水化合物填充物改变成分进行掺假，会破坏营养质量，降低消费者信心，并对监管控制构成挑战，尤其是在婴儿配方奶粉产品中。迫切需要一种适用于不同乳制品基质、快速、无损且能够监测多种掺假物的现场分析平台。本综述汇总了2015年至2025年初关于牛奶和奶粉鉴定的拉曼光谱学进展，包括传统拉曼光谱、表面增强拉曼光谱（SERS）、傅里叶变换拉曼、超光谱拉曼成像、共聚焦/映射方法及便携式系统。我们对预处理和化学计量学方法如主成分分析、偏最小二乘回归以及偏最小二乘判别分析，及用于分类和定量的机器学习和深度学习流程进行了批判性评估。我们比较了特定物种的应用，包括牛、水牛、山羊、骆驼、驴、人乳（大宗营养素、性别相关特征、微塑料、抗生素）以及奶粉流程，同时关注基质效应、荧光干扰和验证方法。拉曼光谱能够提供蛋白质、脂质和碳水化合物的化学特异性指纹，而常见掺假物则呈现诊断性峰位。表面增强拉曼散射(SERS)基底通常可将灵敏度扩展至ppm至ppb水平，并抑制荧光，从而支持三聚氰胺、尿素、硫酸铵、硫氰酸盐、苯甲酸盐及选定抗生素的快速检测。高光谱成像提供空间分辨的图谱，可区分多种掺假混合物及粉末的热结构行为。化学计量模型在分类和浓度预测上实现了高精度，而深度学习架构在非线性基质变化和仪器漂移下提高了鲁棒性。在基材重复性、校准传递、富脂系统中的荧光以及现场条件下对新兴掺假物和微量防腐剂的检测方面仍存在挑战。未来的进展将依赖于具有自适应激光功率控制的多激发仪器、结合等离子金属、介电壳和分子识别的通用SERS基材，以及标准操作规程。
-
卷积神经网络辅助的高灵敏银纳米星/银纳米岛薄膜杂化 SERS 平台用于农药精准检测
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Huixia Di, Zhouhao Lei, Jianing Li, & Xiaochun Li
计算机标签
卷积神经网络 缺陷/异物检测与定位 红外/拉曼光谱数据食品标签
新鲜水果 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分有害农药残留的准确检测对公共健康十分关键。表面增强拉曼散射（SERS）具有应用潜力，但在实际检测中仍面临光谱重叠和基质干扰等限制。为解决这些问题，本研究开发了卷积神经网络辅助的 SERS 平台，采用由银纳米星和疏水银纳米岛薄膜组成的杂化基底。该平台通过局域表面等离子体共振和局部富集效应协同提升灵敏度，对九种农药表现出宽线性范围和低检出限。结合优化的数据预处理流程，CNN 模型取得较高分类准确率：单一农药为 99.44%，二元混合物为 98.47%，三元混合物为 98.09%，加标番茄样品为 94.60%。结果表明，该方法可提供一种无标记、高灵敏且准确的农药检测与识别工具，有望用于指导农药施用并保障食品安全。
-
超越人眼视觉：利用紫外荧光成像和 YOLO11 突显并检测柑橘果实隐蔽缺陷
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Dayuan Wang, Min Zhang, Qibing Zhu, Bhesh Bhandari, & Luming Rui
计算机标签
目标检测网络 模型可解释性 缺陷/异物检测与定位 红外/拉曼光谱数据 可见光/RGB/视频数据食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术 多酚与黄酮柑橘类水果因真菌感染和机械损伤而遭受大量采后损失。在采后质量控制中，早期腐烂和轻微损伤等视觉上不明显的缺陷检测仍具有挑战性。本研究提出一种创新的无损检测系统，将紫外荧光成像与先进的 YOLO11 深度学习相结合，用于检测早期或隐蔽缺陷，包括真菌感染（绿霉、青霉和酸腐）以及机械损伤（碰伤和刺伤）。研究发现，当真菌感染或机械损伤破坏柑橘果皮油腺时，缺陷区域释放的富含多甲氧基黄酮的精油在 365 nm 紫外光照射下会发出明亮的黄绿色荧光。在所评估的 YOLO 变体中，YOLO11n 表现最佳，精确率为 0.939，召回率为 0.933，mAP@0.5 为 0.969，可在多种柑橘品种中有效定位并分类健康和缺陷果实。Grad-CAM++ 可视化证实，模型聚焦于真实荧光缺陷区域，同时忽略非缺陷荧光特征。高质量荧光成像数据为检测创造了近乎理想的条件，即均匀暗背景和明亮缺陷信号，从而增强检测能力并使深度学习模型获得高准确率。该紫外荧光-YOLO11 框架为自动化柑橘品质检测提供了低成本、高质量、可解释且易部署的解决方案，有望减少全球柑橘供应链中的重大采后损失。
-
果胶–多酚相互作用：相互作用机制、表征方法、功能与生物活性协同效应及人工智能视角的综合综述
查看原文
2026
Food Hydrocolloids
中科院一区JCR一区
Xuerou Kong, Jixiang Zhang, Hengyi Tang, Huanhuan Liu, Xin Jia, Lijun Yin, Qiaomei Zhu, & Qingbin Guo
计算机标签
机器学习/统计学习 深度学习食品标签
品质、结构与理化性质 营养与生物功能 抗氧化/抗炎等功能 肠道健康与微生物相关功能 光谱/色谱/质谱等分析方法 碳水化合物与糖类 多酚与黄酮果胶和多酚是植物体系中天然存在的生物活性分子，因其独特的结构和生物活性而受到广泛关注。二者可通过非共价作用和共价作用形成复合物，其相互作用受果胶结构、多酚类型、体系温度和pH等多种因素影响。果胶与多酚的相互作用能够显著增强其功能特性，例如改善果胶的凝胶性能、乳化性能和成膜能力，并可提高其生物活性，例如调节肠道菌群和增强抗氧化能力，从而对食品的加工特性、感官品质、营养功能和稳定性产生重要影响。本文综合阐述果胶–多酚的相互作用机制、先进表征技术，以及这种相互作用对所构建复合物功能特性和生物活性的影响；同时讨论人工智能在果胶–多酚复合物研究中的潜在应用，为此类复合物在食品加工中的有效利用提供理论基础和实践方向。
