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
-
利用语义分割预测3D打印植物基肉制品蛋白质组成和硬度等多项属性
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Sol Kim, Ji-Hoe Kim, Jaehwi Seol, Jeonghyeon Pak, Hyoung Il Son, & Soo-Jung Kim
计算机标签
卷积神经网络 循环神经网络 图像分割网络 定量预测/回归分析 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据食品标签
小麦 大米 豆类与坚果（及籽类） 3D 打印与结构构筑 品质、结构与理化性质 质构与流变性质 显微与成像技术 蛋白质与氨基酸三维（3D）食品打印能够逐层制造植物基肉制品（PMA），但可靠的加工过程质量评价仍面临挑战。本研究开发了一种多属性深度学习框架，利用打印过程中采集的RGB表面图像，以无损方式在线预测由配方决定的蛋白质组成和硬度。预测目标包括小麦面筋（WG）、大豆分离蛋白（SPI）、大米蛋白（RP）和硬度。研究采用以ResNet-50为骨干网络的DeepLabv3+模型，对孔隙、聚集和铺展等与可打印性相关的结构特征进行分割，平均交并比（mIoU）为0.558，平均准确率（mAcc）为0.620。随后，将RGB图像和分割掩膜输入EfficientNet—双向长短期记忆网络，进行多输出预测。五折交叉验证结果显示，WG、SPI、RP和硬度的决定系数R²分别为0.857、0.777、0.875和0.839，相应的均方根误差分别为4.035%、2.629%、3.224%和0.219 N。结果表明，基于RGB图像的语义分割能够捕捉与打印过程相关的形态特征，并支持对组成和质构属性的同步预测。该框架为3D食品打印系统的图像化质量监测提供了一种低成本、无损的方法。
-
利用高光谱成像结合点到区间预测模型对猕猴桃冷藏质量属性的无损评估
查看原文
2026
Food Chemistry
中科院一区JCR一区
Sunli Cong, Jun Sun, Lei Shi, Chunxia Dai, Xiaohong Wu, Bing Zhang, Kunshan Yao, & Xiao Ge
计算机标签
卷积神经网络 循环神经网络 梯度提升决策树 定量预测/回归分析 高光谱/多光谱光谱食品标签
新鲜水果 冷藏与冷冻保藏 品质、结构与理化性质 质构与流变性质 显微与成像技术 碳水化合物与糖类猕猴桃冷藏质量属性的逐点-区间无损预测可以阐明质量变化，甚至为猕猴桃的动态定价或差异化营销提供强有力的决策支持。提出了结合卷积神经网络（CNN）、门控循环单元（GRU）、极端梯度提升（XGBoost）和核密度估计（KDE）的CGRU-XGB-KDE模型的高光谱成像（HSI）方法，用于评估硬度和总可溶性固形物（TSS）的逐点-区间预测性能。该方法在逐点预测方面取得令人满意的结果，测试集的决定系数（R²）分别为硬度0.95和TSS 0.93。此外，KDE方法表现出更好的区间估计性能，覆盖宽度基准（CWC）在硬度方面为0.3049 - 0.4019，TSS方面为0.1690 - 0.7589。将HSI技术与CGRU-XGB-KDE模型结合，对于实现猕猴桃冷藏品质的高精度和可靠点间预测是可行的。
-
台式挥发组学与先进卷积神经网络工作流用于准确且可解释的食品鉴定
查看原文
2026
Food Chemistry
中科院一区JCR一区
Farbod Bayat-Afshary, Nima Naderi Tehrani, Lukas Bodenbender, Philipp Weller, & Hadi Parastar
计算机标签
卷积神经网络 主成分分析/判别分析 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 红外/拉曼光谱数据 小规模数据集食品标签
新鲜水果 植物油 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 风味组学 其他植物化学物质通过气相色谱-离子迁移谱（GC-IMS）分析挥发性有机化合物（VOCs）具有高灵敏度、分析快速且样品制备最少的优点，但其二阶数据使得峰对齐、特征提取和分类变得复杂。本研究提出了一种使用卷积神经网络（CNN）的深度学习（DL）工作流程，将GC-IMS色谱图视为图像。评估了两种CNN架构--简化型和复杂型--在橄榄油和柑橘数据集上的表现；简化模型分别实现了96.4%和98.3%的分类准确率。为了解决样本量有限的问题，开发了一种特定于GC-IMS的数据增强方法，该方法模拟合理的仪器漂移而不会化学性地扭曲信号。为了可解释性，显著性图揭示了判别特征，而主成分分析（PCA）将这些特征综合为每类的代表性负载图像，展示稳定的集体VOC特征，而非单个样本的解释。通过将化学计量学的可解释性与深度学习的预测能力相结合，该框架为GC-IMS数据分析提供了一种稳健且可解释的方法，适用于实际实验室部署。
-
肉类和家禽腐败检测高光谱成像的进展：一种非侵入性方法
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Zincia Sherin, Omar Bashir, Imdadul Hoque Mondal, & Prashant Anil Pawase
计算机标签
卷积神经网络 循环神经网络 缺陷/异物检测与定位 高光谱/多光谱光谱食品标签
畜肉 禽肉 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法 显微与成像技术背景：肉类和禽类是最易腐食品商品之一，其快速变质对食品安全、质量保证和经济可持续性构成了重大挑战。传统的腐败检测方法，包括微生物和化学分析，仍然可靠；然而，它们通常具有破坏性、耗时且不适合实时监测应用。范围与方法：高光谱成像（HSI）已成为一种有前景的非侵入性技术，可用于肉类表面的空间和光谱数据的同步收集，从而提供关于化学和微生物转变的深入信息。本综述基于高光谱成像（HSI）在监测微生物活动、识别化学指标（包括总挥发性碱性氮（TVB-N）、硫代巴比妥酸反应物（TBARS）和pH变化）以及测量可见的颜色和质地变化过程中的当前应用。特别关注HSI与化学计量方法及最先进的机器学习模型的结合，例如主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）、卷积神经网络（CNNs）、长短期记忆网络（LSTMs）和自动编码器。主要发现和结论：HSI已被证明在早期检测食品变质方面非常准确，在大多数情况下优于传统方法。包括便携式HSI设备的创建、人工智能以及将HSI与其他传感器或物联网结合的多媒体系统在内的新创新，已经扩大了其应用潜力。然而，仍然存在显著问题，例如管理大量数据、设备价格高昂以及缺乏可在行业中实施的统一协议。未来的研究必须致力于最小化设备尺寸、创建强大的校准系统以及便于融入智能食品设备。总的来说，这些发展使HSI成为一种面向未来的、非破坏性的、可靠的技术，用于评估现代肉类的质量和安全性。这篇综述进一步表明，混合的VIS-NIR-SWIR配置结合可解释的化学计量学和机器学习模型，始终优于单波段系统，而缺乏标准化的验证和监管框架仍然是大规模工业应用的主要障碍。
-
比较深度与经典化学计量学：CNN 能否提升基于光谱数据的特级初榨橄榄油掺假检测精度？
查看原文
2026
Food Control
中科院一区JCR一区
Andrea Bandiera, Armando Camerlingo, Nico Sanna, Costantino Zazza, Alessandro Benelli, Riccardo Massantini, & Roberto Moscetti
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
玉米 豆类与坚果（及籽类） 食品安全与风险评估 品质、结构与理化性质 光谱/色谱/质谱等分析方法 传统统计分析与回归特级初榨橄榄油具有较高经济价值，因此容易被低质量、低价格油脂掺假。光谱技术虽然尚未被认定为 EVOO 官方分析方法，但可用于快速筛查掺假物。预测模型通常基于经典化学计量学开发，而这类方法需要人工特征工程知识。深度化学计量学依托神经网络，可减少人工干预。本研究比较了偏最小二乘和卷积神经网络算法，并结合 FT-NIR（1000-2500 nm）和 Vis-NIR（380-900 nm）光谱，预测 EVOO 中四种不同籽油（花生油、玉米油、葵花籽油和大豆油）掺假。0.5% 和 1.5% 的掺假浓度难以区分，因为细微光谱变化常被低信噪比掩盖，这主要源于其与纯 EVOO 的高光谱相似性、仪器噪声和油脂自身变异。基于 FT-NIR 的回归模型中，无论是否采用光谱预处理或数据增强，PLS 与 CNN 的性能差异总体较小（RMSEP = 0.99-2.08%），说明在这一光谱范围内，CNN 增加的复杂性未带来明显优势。只有使用 CNN 和 FT-NIR 进行花生油掺假预测的模型未能收敛。相比之下，无论是否使用预处理或数据增强，基于 Vis-NIR 的 CNN 模型均显著优于 PLS 模型。因此，本研究表明，深度化学计量学并非经典化学计量学的通用替代方案，而是一种互补工具，在经典方法效果较弱的场景中更能体现价值。
