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
-
SCLFormer：用于玉米籽粒机械损伤高光谱图像分类的协同卷积—线性注意力 Transformer
查看原文
2026
Artificial Intelligence in Agriculture
中科院一区JCR一区
Yiqiang Zheng, Jun Fu, Fengshuang Liu, Haiming Zhao, & Jindai Liu
计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 高光谱/多光谱光谱食品标签
玉米 品质、结构与理化性质 显微与成像技术利用高光谱成像对玉米籽粒的机械损伤进行分类，对于保障粮食安全和减少损失具有重要意义。现有方法受到计算复杂度高以及对种皮损伤、籽粒裂纹等细微损伤检测精度有限的制约。为解决这些问题，本研究提出了一种新算法——协同卷积与线性注意力 Transformer（SCLFormer）。该算法以线性注意力取代传统的 softmax 注意力，将计算复杂度由二次复杂度降低至线性复杂度，从而提高运算效率；同时在编码器中融入卷积运算，为全局特征建模补充局部先验信息，提高分类准确率。SCLFormer 对玉米籽粒损伤进行分类的总体准确率达到 97.08%，其中裂纹籽粒和种皮损伤的分类准确率均超过 85%。与 softmax 注意力相比，SCLFormer 的训练时间和测试时间分别缩短 355.27 s（16.86%）和 0.71 s（23.67%）。此外，本研究提出了一种模块化的高光谱图像级分类框架，可集成现有的像素级特征提取网络，并实现超过 80% 的分类准确率，表明该框架具有良好的可扩展性。SCLFormer 作为该框架的专用特征提取模块，为玉米籽粒损伤分类提供了稳健的解决方案，并展现出向更大空间尺度应用拓展的巨大潜力。该框架为其他农产品的高光谱整幅图像分类建立了一种新的技术范式。
-
面向人工智能操作元宇宙的食品加工数字孪生技术：通向可持续性、高效性与创新的路径
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Batuhan İnanlar, & Filiz Altay
计算机标签
模型轻量化/边缘计算 模拟与数字孪生 时序传感器/物联网数据 合成/仿真数据为主食品标签
加工与新加工技术 过程控制与数字化 可持续性与资源高值化 发酵工艺与动力学本综述介绍了食品加工数字孪生(DT)技术的最新发展，强调其与人工智能(AI)、物联网(IoT)以及沉浸式虚拟现实/增强现实(VR/AR)环境的整合。数字孪生利用三维建模和基于物理的仿真来创建食品加工的动态虚拟表示，实现实时监控、预测分析和虚拟原型设计。在发酵、巴氏杀菌、烹饪和冷链物流等领域的应用显示出在效率、可持续性和产品质量方面的显著提升。主要挑战包括数据标准化、网络安全及AI伦理问题，而边缘计算和区块链增强安全等新兴方法则提供了有前景的解决方案。该综述还强调了在工业5.0支持的农食系统中向认知孪生生态系统的转型，支持跨学科的协作和创新。通过综合当前的研究并识别研究空白，本研究为实施数字孪生以增强现代食品加工的韧性、可追溯性和数字化转型提供了指导。
-
基于高光谱成像的小样本不完善小麦籽粒多模态融合分类方法
查看原文
2026
Food Control
中科院一区JCR一区
Guangran Bai, Tingsong Zhang, Lexiao Cai, Ziyuan Liu, Yimin Zhou, Yiqing Xu, Tong Sun, & Lu Zhou
计算机标签
深度学习 主成分分析/判别分析 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
小麦 加工与新加工技术 显微与成像技术 标准/法规/数据库分析高效、准确分类不完善小麦籽粒对于小麦产业育种和生产十分重要。本研究提出一种基于高光谱成像的多模态融合方法，用于解决不完善小麦籽粒分类中的小样本问题。研究结合光谱和图像信息，使用经典机器学习算法和深度学习模型构建了四类分类模型。研究对象包括发芽粒、虫蚀粒、破损粒和完整粒，样品通过标准化人工模拟方法制备，并划分为训练集（Field A，每类 20 个样品）以及独立测试集（Field B 和 Field C，每个田块每类 10 个样品），以保证泛化验证可靠。特征处理方面，光谱数据采用主成分分析降维并保留 95% 原始信息，图像特征包括手工特征以及由预训练 ResNet18 提取的深度特征。实验结果显示，融合光谱和图像特征的多模态方法显著优于单一光谱模型。其中，所提出的多模态注意力融合网络在每类仅 20 个样品条件下平均准确率达到 90.2%，AUC 为 0.96；与传统方法相比，准确率提高 25%。研究结果强调，在样本量有限时，多模态融合方法可显著提升不完善小麦籽粒检测性能。
-
利用深度学习检测和识别显微图像中的昆虫源加工动物蛋白
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Cyril Kaisin, Pascal Veys, Abigaël Anselmo, & Bernard Gosselin
计算机标签
卷积神经网络 目标检测网络 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
昆虫蛋白 食品安全与风险评估 其他安全问题 显微与成像技术 蛋白质与氨基酸在动物饲料中使用昆虫来源的陆生无脊椎动物加工动物蛋白（PAP），给欧盟官方监管带来了新的挑战。目前，这类成分的检测仅依赖光学显微镜，并且完全取决于经过培训的操作人员。近期研究指出，昆虫源 PAP 检测主要存在两个问题：一是将非昆虫结构误判为昆虫来源结构而导致的特异性不足；二是整只昆虫幼虫经研磨后形成的颗粒形态高度多样，难以准确分类。为解决这些问题，本研究开发了一种利用深度学习自动分析和分类显微图像的概念验证系统，并测试了由 YOLO 目标检测模型、改进的 ConvNeXt 架构及 Transformer 模块组成的分类流程。经过监督学习、训练和验证后，该模型能够有效区分昆虫颗粒与其他非昆虫材料，并能鉴别黄粉虫（Tenebrio molitor）和黑水虻（Hermetia illucens）来源的加工动物蛋白颗粒；两项任务的平均 Matthews 相关系数达到 0.89，准确率均超过 95%。模型具有稳健的性能和较快的处理速度，可与数字显微镜结合，实现颗粒的实时自动分类，并为每个颗粒的预测提供置信度。该人工智能模型为显微识别复杂结构的官方监管提供了新的可能，并可作为显微镜检验人员在复杂饲料基质中的图像分析优化和决策支持工具。
-
释放食用花卉的营养保健潜力：一种基于人工智能的综合化学分析方法
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Likhitha Yadav Prakruthi, Hari Krishnan, L. Banupriya, Baojun Xu, Yogesh Kumar, Ramachandran Vinayagam, & Chagam Koteswara Reddy
计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 多模态/融合数据 红外/拉曼光谱数据食品标签
食用花卉 营养与生物功能 光谱/色谱/质谱等分析方法 多酚与黄酮背景：可食用花卉因其鲜艳的外观和烹饪多样性而长期受到各文化的重视。近期研究突出了它们丰富的营养成分和植物化学物质，使其成为有前景的功能性食品成分。范围与方法：本综述汇总了2018年至2025年关于可食用花卉的营养、植物化学成分及健康促进特性的文献。文章对比分析了传统技术（HPLC、GC-MS、NMR）与人工智能增强方法（基于机器学习的模式识别和光谱数据挖掘）在化合物识别和生物活性预测中的有效性。主要发现和结论：主要食用花卉含有高水平的黄酮类、多酚类、花青素、维生素和矿物质，其组成的可变性受基因型、环境和发育阶段的影响。基于人工智能的QSAR建模和光谱数据挖掘提高了低丰度生物活性成分的检测，并支持了机制性见解。它们的应用涵盖烘焙产品、饮料和营养保健配方，利用其抗氧化、抗炎、心血管保护、神经保护和抗癌特性。以典型剂量的烹饪使用显示出最低的毒性或过敏性。建议将组学技术与人工智能数据融合结合，以标准化植物化学成分分析、提升模型可解释性，并加快转化为经过验证的功能性食品和营养保健产品。
