类目筛选（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
-
-
深度筛选（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
-
-
标签记录（食品学者）
清除全部筛选
标签记录（计算机学者）
共 393 条结果
-
机器学习驱动的纳米颗粒增强纸基显色阵列传感器用于低水分食品中亚致死损伤沙门氏菌的检测
查看原文
2026
Food Research International
中科院一区JCR一区
Zhen Jia, Emma Grace Holliday, Elizabeth Catherine Tang, Haley Brynn Russo, Thomas R. Rootes, Yaguang Luo, Hengyong Yu, Dayang Wang & Boce Zhang
食品标签
豆类与坚果（及籽类） 微生物安全 显微与成像技术 其他理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据 质构/流变/感官数据亚致死损伤病原菌的检测对于提升食品安全至关重要，尤其是监管机构建议微生物学方法验证需包含50%–80%的损伤细胞。在低水分食品等食品基质中，损伤细胞在适宜条件下可复苏并增殖，对公众健康构成重大威胁。此外，这类细胞可能保留甚至增强毒力，这凸显了及时且准确检测的必要性。本研究开发了一种基于机器学习驱动、纳米颗粒增强的纸质显色阵列传感器（ML-NP-PCA）方法，用于在含有背景菌群的花生酱（一种高脂低水分食品）中检测并区分损伤型与正常型沙门氏菌。研究评估了金纳米颗粒、二氧化硅纳米颗粒和沸石纳米颗粒对纸质显色阵列性能的增强效果。其中，二氧化硅纳米颗粒-纸质显色阵列在磷酸盐缓冲液中宽浓度范围（约1–6对数菌落形成单位/毫升）内对损伤型与正常型沙门氏菌均具有可靠的识别能力，并被整合用于构建ML-NP-PCA方法。结果表明，该ML-NP-PCA方法在室温48小时储存期间，即便存在背景菌群，仍能准确、连续地检测并区分花生酱中的损伤型与正常型沙门氏菌，准确率超过90%。在约3–4对数菌落形成单位/克的浓度下，损伤型与正常型沙门氏菌最早可在1小时内被检出，准确率达92.0±0.9%。上述研究结果证实，ML-NP-PCA方法有望作为一种无损、无需增菌且快速的工具，用于食品中损伤型沙门氏菌的连续监测。该方法还可支持符合监管要求的微生物检测，并强化食品供应链全过程的食品安全监控。
-
感知饮食行为测量的未来：验证OCOsense眼镜检测咀嚼行为的有效性
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
Rhiannon M. Armitage, Simon Stanoski, Borjan Sazdov, Aishwarya Padmanabhan, Tegan Harvey, Claire Baert, Hristijan Gjoreski, Charles Nduka, & Martin R. Yeomans
食品标签
过程监测与在线检测 显微与成像技术 问卷/市场与消费者研究 其他感官与消费者研究计算机标签
缺陷/异物检测与定位 可见光/RGB/视频数据 时序传感器/物联网数据当前用于评估饮食行为的方法常被批评为无法真实反映现实生活中的饮食体验，这些方法通常需要大量资源进行主观行为编码或依赖自我报告测量。OCOsense 眼镜通过直接监测面部肌肉运动，提供了一种有前景的替代方案，而无需这些限制。初步数据显示，这些眼镜能够检测多种饮食和咀嚼行为。然而，这仍需实证验证：这就是本研究的目的。47 名年龄在 18 至 33 岁的成年人（31 名女性和 16 名男性）参与了一次为期 60 分钟的实验室早餐，并进行了视频录制。口腔加工行为通过 ELAN（版本 6.7）上的手动行为编码以及 OCOsense 眼镜的传感器数据分析进行了标注。在这里，我们重点关注两种早餐食品（百吉饼和苹果）的咀嚼数据。对于这两种食品，每个进食段中记录的咀嚼次数在人工编码和眼镜算法输出之间没有显著差异，回归分析显示两种测量之间具有高度对应关系（r (550) = 0.955）。同样，平均估计的咀嚼速率在两种方法之间也没有显著差异。参与者对自己进食速度的自我评估与记录的咀嚼行为一致，并且两种方法都同样能够检测到。总体而言，OCOsense 眼镜正确检测到了 81% 的进食行为和 84% 的非进食行为。虽然眼镜算法仍有进一步改进的空间，但 OCOsense 眼镜检测到的整体面部肌肉运动能够检测到所测试的两种食品的咀嚼动作，未来的工作将把这一方法扩展到实验室外的其他食品和进食行为。
-
基于深度学习的食品科学与技术图像识别：端到端工作流程与领域特定解决方案
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Bin Liao, Yiming Wang, Xiang Li, Yongqiang Cheng, Guohua Zhao, & Yun Zhou
食品标签
品质、结构与理化性质 食品安全与风险评估 显微与成像技术计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 小规模数据集基于深度学习的图像识别正在日益重塑食品科学，使在线分级、快速质量评估和食品安全监测的智能系统成为可能。然而，这类方法在食品相关领域的应用通常受到分散的实践、有限的领域特定指导以及方法学不一致的阻碍。本综述综合了一个模块化的端到端工作流程，涵盖任务制定、模型开发和应用，专为食品科学设计。通过三个具有代表性的案例研究来说明常见的应用和实践，同时突出显示一些反复出现的挑战，如数据可用性有限、标注不一致以及子模型集成障碍，这些因素限制了可重复性和可扩展性。提出了一套针对特定领域的策略来应对这些挑战，涵盖任务分解、数据集优化、标注与标签管理、图像预处理、数据增强、架构选择以及子模型集成。展望未来，我们建议未来的工作应优先开发标准化工具包--任务指导系统、统一建模工具链和模型集成平台--以实现可靠、可推广且具有影响力的计算机视觉解决方案，用于食品科学与技术中的实际问题。
-
基于多模态模型的稻米质量识别方法
查看原文
2026
Food Control
中科院一区JCR一区
Yuan Zhang, Xiao Xing, Lei Zhu, Xin Li, Xiao Yan Xue, Chong Tao Sun, Chen Hao Duan, & Yan Ping Du
食品标签
大米 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 标准/法规/数据库分析计算机标签
深度学习 分类/鉴别/等级评定 多模态/融合数据 可见光/RGB/视频数据随着数据科学和人工智能技术的发展，多模态数据融合方法在稻米质量评估和等级分类中显示出显著优势。传统粮食分级方法依赖人工筛选，效率低且容易受人为误差影响，并且通常依赖图像或传感器数据等单一数据源，难以全面反映粮食品质。为提高分级准确率和自动化水平，本研究结合图像数据和气体数据，探索多模态数据融合方法在稻米等级分类中的应用。通过整合图像和气体数据特征，研究连接 ViT 和 ResNet18，开发了高效多模态深度学习模型 Vit-Resnet18-A。结果表明，基于图像和传感器信号融合的多模态模型在稻米质量分级中表现出更高准确性和鲁棒性，尤其适用于多样稻米品种和复杂质量标准。通过改进的 Vit-Resnet18-A-DG 模型，稻米分级准确率和效率进一步提升，准确率达到 97.98%，精确率为 96.03%，召回率为 95.97%，F1 分数为 95.96%。本研究为智能农业生产提供技术支持，并为稻米质量控制提供新思路。
-
超越人眼视觉：利用紫外荧光成像和 YOLO11 突显并检测柑橘果实隐蔽缺陷
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Dayuan Wang, Min Zhang, Qibing Zhu, Bhesh Bhandari, & Luming Rui
食品标签
新鲜水果 品质、结构与理化性质 显微与成像技术 多酚与黄酮计算机标签
目标检测网络 模型可解释性 缺陷/异物检测与定位 红外/拉曼光谱数据 可见光/RGB/视频数据柑橘类水果因真菌感染和机械损伤而遭受大量采后损失。在采后质量控制中，早期腐烂和轻微损伤等视觉上不明显的缺陷检测仍具有挑战性。本研究提出一种创新的无损检测系统，将紫外荧光成像与先进的 YOLO11 深度学习相结合，用于检测早期或隐蔽缺陷，包括真菌感染（绿霉、青霉和酸腐）以及机械损伤（碰伤和刺伤）。研究发现，当真菌感染或机械损伤破坏柑橘果皮油腺时，缺陷区域释放的富含多甲氧基黄酮的精油在 365 nm 紫外光照射下会发出明亮的黄绿色荧光。在所评估的 YOLO 变体中，YOLO11n 表现最佳，精确率为 0.939，召回率为 0.933，mAP@0.5 为 0.969，可在多种柑橘品种中有效定位并分类健康和缺陷果实。Grad-CAM++ 可视化证实，模型聚焦于真实荧光缺陷区域，同时忽略非缺陷荧光特征。高质量荧光成像数据为检测创造了近乎理想的条件，即均匀暗背景和明亮缺陷信号，从而增强检测能力并使深度学习模型获得高准确率。该紫外荧光-YOLO11 框架为自动化柑橘品质检测提供了低成本、高质量、可解释且易部署的解决方案，有望减少全球柑橘供应链中的重大采后损失。
