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
-
基于矿物元素和品质成分机器学习特征融合的红美人柑橘地理标志真实性鉴别
查看原文
2026
Food Control
中科院一区JCR一区
Tao Jiang, Jinfang Zhu, Aying Wen, Jianjun Ding, Yuhang Du, Shaofeng Yuan, Yahui Guo, Yuliang Cheng, Hang Yu, & Weirong Yao
计算机标签
深度学习 偏最小二乘法 定量预测/回归分析食品标签
新鲜水果 食品安全与风险评估 其他安全问题 矿物质与微量元素由于红美人柑橘具有地理标志优势，经济利益驱动下的产地欺诈问题开始出现。本研究提出一种基于机器学习的矿物元素与品质成分特征融合方法，用于红美人柑橘地理标志真实性鉴别。研究通过投影变量重要性和 Boruta 算法筛选特征矿物元素和品质成分，并构建特征融合数据集。随后应用 K 近邻、极端梯度提升、偏最小二乘判别分析和多层前馈神经网络等机器学习模型进行地理标志鉴别。VIP 和 BA 特征融合数据集的模型泛化性能均优于原始融合数据集和单一数据集；与 VIP 相比，BA 在特征选择和融合数据集模型性能提升方面更有效。基于 BA 特征融合数据集的 XGB 模型泛化性能最佳，总体准确率为 87.7%，对地理标志产地的召回率和精确率均为 93.8%，ROC 曲线下面积为 0.997。K、Mg、Mn、Fe 等特征矿物元素，以及可溶性固形物、果糖、抗坏血酸和总酚等特征品质成分可作为真实性标志物。研究还开发了基于 XGB 和 BA 特征融合数据集的 Shiny 应用，用于在线地理标志鉴别。总体而言，该研究为避免水果产地欺诈提供了一种有效策略。
-
材料创新与人工智能驱动的果蔬精准保鲜智能包装：应用与未来趋势
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Haiyu Du, Yuqian Jiang, Aliya Simayi, Chaozhe Li, Yuanyuan Liu, Yongqiang Wen & Yao Tang
计算机标签
机器学习/统计学习 深度学习 设计/生成与推荐 过程控制与实时优化食品标签
水果/蔬菜与菌菇类/植物类 生物基/可降解材料 货架期预测与品质劣变动力学 包装设计与机械性能 智能/指示型包装 其他可持续性主题背景：采后果蔬极易因成熟衰老、呼吸代谢和微生物感染而发生品质劣变和腐败。这些问题不仅造成巨大的经济损失，还增加了食源性疾病的风险。尽管传统包装能对腐败因素提供基本的物理防护，但它受限于生物降解性差、功效固定以及可调性不足等问题，无法满足绿色可持续发展和高品质保鲜的多重需求。
范围与方法：为解决这些局限性并超越被动防护，针对采后果蔬生理和病理特性量身定制的智能包装为延长货架期提供了创新解决方案。基于对这些特性的精准理解，智能包装技术通过调控导致品质劣变的关键因素（包括大气失衡、乙烯诱导的成熟、温湿度波动以及微生物增殖）来实现精准保鲜。同时，人工智能（AI）进一步推动了智能包装的设计与应用发展，作为一种强大工具，它加速了从传统试错设计向预测性的计算机模拟材料开发的转变。本综述系统地呈现了当前的研究进展，重点介绍了根据果蔬特性设计包装的策略以及AI的实施路径。此外，综述还全面探讨了推进包装系统发展的设计框架、面临的挑战及潜在的解决办法。
主要发现与结论：智能包装能够根据农产品的特性实现精准保鲜，推动保鲜包装从被动防护向智能感知、动态调控和绿色再生转变。此外，可融入仿生材料、AI技术、供应链监测和生物降解性评估等创新方法，以开发更符合市场需求的新型保鲜包装材料。 -
Pt/Au 装饰的 Fe-N-C 纳米酶传感器阵列用于茶多酚单体的识别
查看原文
2026
Food Chemistry
中科院一区JCR一区
Huiying Zhou, Yiru Chen, Hou Zhong, Yixuan Li, Jiansheng Zhou, Youlin Liu, & Dongyan Li
计算机标签
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
茶/茶饮料 品质、结构与理化性质 过程监测与在线检测 显微与成像技术 光谱/色谱/质谱等分析方法 多酚与黄酮茶多酚单体的组成和含量对茶饮料的风味和品质具有关键影响，但其结构相似性阻碍了有效区分。本研究中，通过在铁-氮掺杂碳微花（Fe-N-C MFs）上原位还原贵金属纳米颗粒（Pt 或 Au NPs），合成了一种具有高过氧化物酶（POD）模拟活性的复合纳米材料。为了区分四种茶多酚单体，基于其独特的差异催化和抑制特性，开发了一种三通道比色传感器阵列。该阵列进一步与便携式智能手机 RGB 检测平台结合。此外，该方法成功利用茶多酚特征谱区分了商业绿茶饮料，从而展示了其在实际纳米酶食品分析中的潜力。
-
基于近红外光谱和数据增强的脐橙可溶性固形物在线分选非线性分类方法
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Shaohui Yu, & Jing Liu
计算机标签
深度学习 定量预测/回归分析 红外/拉曼光谱数据 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 过程监测与在线检测 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类近红外光谱作为一种无损检测方法，在果实品质评价与分选中显示出重要应用潜力。然而，在线水果分选过程中，多种因素会影响分选准确率。针对在线分选中样本量有限、品质异质性以及检测指标与光谱数据之间复杂非线性关系等问题，本文提出一种基于可溶性固形物含量（SSC）的脐橙在线分选数据增强方法，融合误差率和概率质量加权。首先对 SSC 进行聚类分析，并引入 R2 统计量和肘部法则确定最优聚类数。训练集和测试集采用 Monte Carlo 随机采样方法划分。随后，将经过移动平均平滑处理的光谱数据纳入训练集，形成增强样本集。进一步结合训练集样本的概率质量和误差率构建样本权重系数。最后，使用增强后的训练集通过三层神经网络建立分类模型。多次实验结果表明，该方法显著提升了在线分选数据的分类性能，分类准确率超过 90%。
-
基于 RGB 图像的轻量化网络用于枇杷碰伤体积无损精准预测
查看原文
2026
Food Control
中科院一区JCR一区
Changsu Xu, Liuyan Feng, Xiangfei Huang, Lang Chen, Minghui Zhu, & Yunwu Li
计算机标签
目标检测网络 图像分割网络 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
新鲜水果 加工与新加工技术 显微与成像技术碰伤是园艺作物经济损失的重要原因之一，可能发生在采收、运输和加工过程中。已有研究将深度学习用于碰伤检测，但多数仅关注表面分析；传统光学成像虽可量化碰伤体积，但成本过高，难以大规模应用。为解决这一问题，本文提出 Loquat Bruise-You Only Look Once（LB-YOLO），这是一种基于 YOLOv9 改进的模型，引入扩展窗口多头自注意力和深度可分离卷积，以提高效率和精度。LB-YOLO 可检测枇杷表面碰伤区域，并利用 CT 分析建立的表面碰伤面积比与碰伤体积比之间的相关模型，估计碰伤体积比例。该模型处理 870 × 580 像素 RGB 图像，并输出碰伤表面积比例和估计碰伤体积比例。实验结果表明，与其他基于 YOLOv9 的网络和常用语义分割模型相比，LB-YOLO 综合性能更好，表面碰伤分割准确率达到 98.9%，平均检测速度为每张图像 18.1 ms，同时碰伤体积比例平均预测准确率达到 94.31%。边缘设备部署实验进一步证实其在真实环境中的可靠表现。该研究为园艺作物碰伤高效无损定量提供了重要思路，并可能成为未来精准水果分级领域的重要研究方向。
