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
-
基于高光谱成像和注意力机制多指标融合的冻融鸡胸肉无损检测与可解释性分析
查看原文
2026
Food Control
中科院一区JCR一区
Wenlong Li, Yuqing Wu, Zhihua Li, Xiaowei Huang, Xinai Zhang, Xiaobo Zou, & Jiyong Shi
计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
复合/即食/餐饮食品 食品安全与风险评估 品质、结构与理化性质 显微与成像技术冷链中的冻融循环会对鸡胸肉品质造成不可逆损害，严重影响产品完整性并增加消费者安全风险。传统理化检测方法难以准确表征这一劣变过程。因此，本研究结合高光谱成像和可解释深度学习，通过无监督注意力融合构建综合质量指数，用于评价鸡胸肉多维品质劣变。同时，广义二维相关光谱阐明了冻融循环期间发生的转化过程。基于光谱信息构建的 CNN-LSTM 混合模型表现优异，Rp 达到 0.976。研究进一步使用 SHAP 分析解释模型，并基于最优模型生成可视化结果，从而实现对冻融循环期间鸡胸肉品质劣变的精准监测。该方法为冷链和食品供应链中的实时质量监测提供了准确、可解释的解决方案。
-
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。
-
利用基于傅里叶变换红外光谱的混合特征选择优化卷积神经网络，对炸油中3-氯丙烷-1,2-二醇进行定量分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Xi Wang, Guijie Li, Jinjuan Yang, Siyi Wang, Shibing Zhang, & Qi Zhao
计算机标签
卷积神经网络 偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 加工污染物 光谱/色谱/质谱等分析方法 其他特殊成分为了解决定量3-单氯丙烷-1,2-二醇（3-MCPD）中的挑战，这是一种在油精炼过程中形成的具有肾毒性、生殖毒性和致癌性特性的有毒化合物，构建了一种结合基于傅里叶变换红外光谱的混合特征选择策略的卷积神经网络（CNN）。在构建CNN之前，通过SiPLSR-IRIV方法选择了相关光谱变量，实现了97%的变量减少。在最佳条件下，该模型获得了0.9689的决定系数（R²C）和0.0734的校准均方根误差（RMSEC）。检测限（0.41 μg g⁻¹）和定量限（1.23 μg g⁻¹）符合欧盟对油中3-MCPD检测的监管标准。这种混合卷积神经网络（CNN）方法在性能上优于传统方法，同时计算成本更低，光谱数据采样范围更窄，为食用油加工行业的质量监测提供了可靠的解决方案。
-
使用CNN-LSTM混合模型对红薯淀粉中玉米掺假进行定量分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Hongyi Ge, Xuye Yuan, Heng Wang, Keke Jia, Yuying Jiang, Chunyan Guo, Wenhui Zhou, Yuan Zhang, Wenyue Cao, Yitong Zhou, Tianzhi Zhang, & Xinxin Liu
计算机标签
卷积神经网络 循环神经网络 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱食品标签
玉米 其他根茎类 碳水化合物配料 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 碳水化合物与糖类淀粉作为主要的储存碳水化合物，是人类饮食中的重要能量来源。由于外观相似，不同类型的淀粉在视觉上往往难以区分。传统的淀粉检测方法存在多种局限性，如准确性低、预处理过程复杂以及样品损坏。因此，为实现淀粉掺假快速而准确的定量，采用了太赫兹时域光谱（THz-TDS）技术。首先，从一系列掺假样品中获取时域光谱数据。然后，应用四种预处理方法对原始光谱进行处理。使用完整光谱和SPA选择的光谱特征作为输入，开发传统回归模型，以及基于混合卷积神经网络与长短期记忆网络（CNN-LSTM）的深度学习模型。结果表明，CNN-LSTM 模型取得了最佳性能（Rp = 0.9765，RMSEP = 4.85%），表明其在淀粉质量快速无损监测方面具有潜力。
-
DART-HRMS 结合机器学习用于山茶油掺假的快速检测
查看原文
2026
Food Control
中科院一区JCR一区
Ting Liu, Binfeng Zhang, Zhanwei Yang, Lecheng Shen, Yuancong Zhang, Wenchao Tang, Mei Wang, & Jing Li
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 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 其他安全问题 光谱/色谱/质谱等分析方法针对山茶油易发生掺假以及传统检测方法存在局限的问题，本研究首次将深度学习与实时直接分析高分辨质谱（DART-HRMS）结合，用于山茶油掺假的快速、无损、准确鉴别和定量。研究基于 DART-HRMS 分析纯山茶油、四种植物油（大豆油、玉米油、葵花籽油和橄榄油）及其掺假混合物所得质谱数据，构建高维特征向量，并采用主成分分析（PCA）和统一流形逼近与投影（UMAP）进行降维，形成三类特征数据集。在此基础上建立二分类、多分类和定量模型，系统比较逻辑回归、随机森林、支持向量机、XGBoost 和卷积神经网络等算法，并考察不同降维方法对模型性能的影响。结果表明，降维方法会显著影响模型表现：UMAP 提升了随机森林和 XGBoost 等树模型性能，但降低了支持向量机和逻辑回归等线性模型表现；PCA 通常导致整体性能下降。所有模型中，基于未降维特征训练的 CNN 表现最佳，二分类和多分类准确率分别为 98.95% 和 98.46%，定量检测也取得优良结果（R2P = 0.9920，RMSEP = 2.6%）。研究证明，DART-HRMS 结合卷积神经网络可可靠检测和定量山茶油掺假，为真实性鉴别提供有效技术手段。
