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
-
一种使用近红外光谱确认高压加工和提高肉制品可追溯性的新方法
查看原文
2026
Food Control
中科院一区JCR一区
Emanuela Zanardi, Maria Olga Varrà, Alessandra Negri, Riccardo Ghidini, Riccardo Soldesti, Adriana Ianieri, & Sergio Ghidini
计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 文本/知识库/法规数据食品标签
畜肉 食品安全与风险评估 非热加工技术 光谱/色谱/质谱等分析方法 常规理化指标测定 蛋白质与氨基酸本研究开发了一种新的近红外光谱方法，用于验证传统意大利肉制品是否经过高压加工。研究使用便携式近红外仪器，对干腌压制火腿（n = 24）、整只火腿（n = 20）和萨拉米（n = 20）在处理前（C）、高压加工后即刻（T0）以及高压加工后 48 h（T48）进行分析。正交偏最小二乘判别模型表现出较高交叉验证性能，R2X、R2Y 和 Q2 均大于 0.80，能够将所有产品中的 C 样品与 T 样品（T0 + T48）清晰区分。T0 与 T48 萨拉米之间观察到的轻微光谱差异提示存在与贮藏相关的变化，但并未影响 C 与 T 样品的判别。最能区分 C 与 T 样品的近红外波段主要与蛋白质、水分和脂肪吸收相关。外部验证确认了该方法的可靠性，整只火腿、萨拉米和压制火腿的分类准确率分别为 100%、90.5% 和 79.2%。该优化方法可增强高压加工肉制品的可追溯性和控制流程，维护食品安全标准，并为食品行业和监管机构提供支持。
-
用于检测无麸质啤酒中麸质的 AI 驱动计算机视觉方法
查看原文
2026
Food Control
中科院一区JCR一区
Ana M. Pérez-Calabuig, Sandra Pradana-López, John C. Cancilla, Sandra López-Ortega, & José S. Torrecilla
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
小麦 酒精饮料 食品安全与风险评估 品质、结构与理化性质 显微与成像技术本研究提出了一种 AI 驱动的计算机视觉方法，利用残差卷积神经网络 ResNet50 检测无麸质啤酒中的麸质污染。啤酒样本图像由放置在隔光箱中的数字相机在受控照明条件下采集，并通过两种快门速度（1/30 s 和 1/250 s）以及两种广泛消费的商业啤酒品牌引入变化。研究使用 4000 张啤酒图像训练和验证深度学习模型。经 6 折交叉验证训练的优化模型获得了 88.8% 和 88.9% 的较高分类准确率，并成功识别低至 2.5 ppm 的麸质污染。该方法并非替代 ELISA 等传统方法，而是设计为混合顺序决策系统，其中 AI 计算机视觉工具作为快速预筛查方法，只有被标记为可能污染的样本才进一步使用 ELISA 等传统实验室方法分析。该策略提高了麸质检测效率，并减少了昂贵实验室检测的数量。深度学习与传统分析结合提高了效率，缩短了处理时间，并降低了麸质检测中假阴性的风险。该方法为酿造行业提供了一种强大、低成本且易获取的工具，有助于改善无麸质啤酒生产中的质量控制和消费者安全。
-
基于近红外光谱并结合理化与生物活性标志物的 AI 驱动多物种鲜肉和冻肉快速无损鉴别
查看原文
2026
Food Control
中科院一区JCR一区
Nayeem Mia, Md. Abul Hashem, Han-Sul Yang, & Jin-Kyu Seo
计算机标签
深度学习 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据食品标签
畜肉 禽肉 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 常规理化指标测定 其他植物化学物质快速、准确识别肉类物种和贮藏状态，对于消费者保护、品质保障和肉类供应链防欺诈至关重要。本研究表明，近红外光谱可作为多类别肉类真实性鉴别的快速无损工具，能够捕捉物种差异和贮藏状态差异；这些差异通常需要耗时、成本高且依赖专业人员的理化、氧化、化学和生物活性分析才能评估。研究共采集牛肉、山羊肉和鸡肉 1200 份样品，在 700-1100 nm 范围内扫描，获得 12000 条近红外光谱。同时测定理化与氧化指标、化学组成以及脂肪酸、挥发性化合物和杂环芳香胺等主要生物活性化合物，用于验证近红外光谱的判别能力。冻肉表现出更高的 pH、脂质氧化、剪切力和蒸煮损失，并伴随红度下降。不同物种特异性的化学和生物活性谱进一步支持了分类潜力。主成分分析和非线性嵌入降维结果显示，各物种鲜肉与冻肉之间具有清晰可分性。机器学习模型整体准确率较高，其中逻辑回归和神经网络分类表现最好；由于光谱和生化特征重叠，新鲜山羊肉仍是最难区分的类别。学习曲线分析显示多数模型具有较稳健的泛化能力，集成模型和神经网络在更大数据集下受益更明显。决策边界可视化揭示了线性与非线性分类器的差异，以及集成平均带来的平滑效应。总体来看，近红外光谱与多类型参考标志物结合，可为肉类同步真实性鉴别提供高效、准确、无损的方法。
-
晒青绿茶中微塑料异物的轻量化检测：基于深度学习的改进 YOLOv8 神经网络模型
查看原文
2026
Food Control
中科院一区JCR一区
Zejun Wang, Chun Wang, Wenxia Yuan, Xiujuan Deng, Houqiao Wang, Tianyu Wu, Jinyan Zhao, Weihao Liu, & Baijuan Wang
计算机标签
卷积神经网络 目标检测网络 缺陷/异物检测与定位 可见光/RGB/视频数据 大规模数据集食品标签
茶/茶饮料 食品安全与风险评估 过程监测与在线检测 显微与成像技术茶叶中的微塑料污染是新兴食品安全问题，而在晒青绿茶复杂视觉背景中检测低密度、非金属微塑料仍具有挑战性。本研究开发了一种改进的轻量化 YOLOv8 模型 YOLOv8-IDMA，用于晒青绿茶中微塑料异物检测。研究利用数字化晒青绿茶生产线制备洁净茶样，并将四类微塑料人工混入茶叶基质。共采集 1128 张原始图像，筛选后保留 1097 张具有清晰微塑料特征的图像，并通过数据增强扩展至 7679 张。模型集成 Inner-WIoU 以优化边界框回归，采用 DualConv 模块降低参数量并增强特征提取，引入 MLCA 注意力机制实现局部-全局特征融合，并使用 ADown 下采样保留小目标信息。研究采用 10 折交叉验证，并与 YOLOv5、YOLOv7、YOLOv8、YOLOv10、Faster R-CNN、CornerNet、SSD 及其他先进变体进行广泛比较。消融实验中，YOLOv8-IDMA 的 Precision 为 98.94%，Recall 为 98.76%，mAP 为 99.21%，参数量为 229 万，GFLOPs 为 6.6，FPS 为 309.57。外部测试中 Precision、Recall、mAP 和 F1-score 分别为 99.12%、98.61%、99.18% 和 98.95%。该模型为茶叶生产中的微塑料在线监测提供了高精度、高效率方法。
-
草莓综合质量指数的建立及其基于高光谱成像的无损预测
查看原文
2026
Food Control
中科院一区JCR一区
Mingzhu Sun, Fengli Jiang, Chu Wang, Aiping Zhang, & Youwen Tian
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 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
新鲜水果 颜色与外观品质 显微与成像技术 常规理化指标测定 维生素 C单一质量指标难以全面反映草莓成熟和整体品质。本研究建立草莓质量指数（SQI），并利用高光谱成像进行无损预测。研究采集香野品种草莓 192 个，覆盖从 70% 成熟至完全成熟的四个成熟阶段。测定外部颜色参数以及硬度、可溶性固形物、可滴定酸和维生素 C 等内部品质指标。研究通过相关分析和因子分析将十个理化指标整合为 SQI。400-1000 nm 高光谱图像经 SG 平滑、MSC、SNV 及其组合方法预处理，并采用 UVE、CARS 和 SPA 选择特征波长。随后建立 PLSR、SVR 和 CNN 模型预测 SQI。全光谱 CNN 模型表现最佳，测试集 Rp2 为 0.916，RMSEP 为 0.157，RPD 为 2.901。该基于 SQI 的框架为草莓最佳采收期判断和智能分级提供了多维度、无损评价方法。
