类目筛选(食品学者)
-
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)
-
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)
标签记录(计算机学者)
共 291 条结果
-
用于米饭加工工厂异物检测的深度学习方法
查看原文2026
Food Control
中科院一区JCR一区Pei-Ting Chuang, Ming-Hung Cheng, Ching-Ho Chi, & Hao-Hsiang Ku
食品标签
大米 食品安全与风险评估 加工与新加工技术 显微与成像技术计算机标签
卷积神经网络 缺陷/异物检测与定位 可见光/RGB/视频数据 时序传感器/物联网数据三角饭团和便当等米饭类鲜食产品广泛由米饭加工工厂供应,但非金属异物难以通过常规金属检测器识别,通常依赖人工检查。本研究开发了一套用于米饭加工过程异物检测的深度学习图像识别系统。研究在多个加工检查点利用图像传感器采集食品物料和污染物图像,并在白米饭上模拟塑料、包装线头、昆虫和石子四类常见异物。数据集共包含 4343 张图像,其中 3473 张用于训练,870 张用于验证。研究比较了 10 种 CNN 模型在 50 和 100 个训练轮次下的表现。ShuffleNetV2 综合表现最佳,50 个轮次时平均 F1-score 为 0.971,100 个轮次时提高到 0.982;在塑料、包装线头、石子和昆虫等类别识别上也表现较好。该低成本摄像检测系统可支持米饭加工工厂的实时异物识别与分类,降低对人工检查的依赖并提升食品安全控制能力。
-
利用比色传感器阵列和电子鼻传感器阵列的特征级数据融合检测韭菜中的普克米酮残留:异构数据融合方法的比较
查看原文2026
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Fanzhen Meng, Zijie Feng, Tianqi Wu, Mingji Wei, & Hui Jiang
食品标签
新鲜蔬菜 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
卷积神经网络 循环神经网络 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据 时序传感器/物联网数据 可见光/RGB/视频数据丙环唑残留威胁韭菜的食品安全。本研究结合电子鼻(E-鼻)与颜色传感器阵列(CSA)对其丙环唑残留进行定性和定量检测。通过探讨深度学习与传统机器学习在特征级数据融合上的结构和性能差异,实现了对丙环唑残留浓度的更精确检测。实验结果表明,相较于传统特征级融合,基于卷积神经网络和长短期记忆网络注意力融合网络(CLAFNet)的多源数据融合方法可以以100%的准确率区分韭菜样品中的低、中、高丙环唑浓度。定量结果表明,结合全连接神经网络(FCN)和CLAFNet能够最好地预测百菌清浓度。因此,电子鼻和CSA是检测韭菜中百菌清残留浓度的有效工具,而CLAFNet是这些数据融合的强大工具。
-
深度学习在食品微生物学中的应用与进展:从数据到智能分析
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Chunling Li, Xin Wang, He Liu, & Danshi Zhu
食品标签
微生物安全 显微与成像技术 光谱/色谱/质谱等分析方法 基因组学计算机标签
卷积神经网络 模型可解释性 知识抽取与语义理解 多模态/融合数据 红外/拉曼光谱数据背景:传统的微生物识别、定量和安全评估方法通常耗时且劳动强度大,因此需要更高效的分析方法。深度学习(DL)已成为食品微生物学中的一种变革性工具,能够实现自动化数据分析和智能预测。范围与方法:本综述系统地考察了深度学习在食品微生物学中对四种数据类型的应用。(1) 图像数据,包括用于微生物识别和菌落计数的显微图像,通过卷积神经网络和视觉变换器(ViT)进行处理;(2) 数值数据,包括用于污染检测和保质期预测的光谱数据和传感器数据;(3) 文本数据,利用自然语言处理进行食品安全监测和疫情检测;(4) 多模态数据,整合基因组学、转录组学和代谢组学信息,以实现全面的微生物分析。主要发现和结论:多模态深度学习框架可以整合这些多样的数据流,从而提供对食品系统中微生物行为的更全面理解。目前的挑战包括数据标准化不足、模型可解释性差以及大规模标注数据集的缺乏。本综述系统地探讨了应对这些局限性的潜在途径,旨在为通过深度学习应用推进食品安全和质量评估提供理论基础。
-
高光谱成像结合 Transformer 增强卷积自编码器架构用于破损大豆实时多目标分类
查看原文2026
Food Control
中科院一区JCR一区Jingyuan Zhao, Dianyang Sun, Jiebo Mi, Kongxiang Zhao, Jing Peng, Kang Tu, Jun Liu, Weijie Lan, & Leiqing Pan
食品标签
豆类与坚果(及籽类) 品质、结构与理化性质 过程监测与在线检测 显微与成像技术计算机标签
卷积神经网络 目标检测网络 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据开发大豆品质实时多目标检测方法是一项具有挑战性的工作。本研究提出了一种创新策略,将高光谱成像和 Transformer-卷积自编码器与深度学习模型相结合,以同时识别不同类型的受损大豆,包括破碎、虫蛀、病害和霉变类型。基于 T-CAE 增强光谱的 1D 卷积神经网络模型能够区分这些不同受损大豆,分类准确率超过 96.00%。引入 T-CAE 架构的自注意力机制是一种有效的光谱数据增强策略,可缓解分类模型开发中的样本限制。值得注意的是,T-CAE 生成的光谱在捕捉全局光谱特征的同时,能够通过卷积编码保留局部细节。用于训练 1D-CNN 模型时,与原始光谱训练模型相比,准确率提高了 9.71%。因此,高光谱成像结合 T-CAE 可作为一种快速、实时、多目标的受损大豆分类策略。
-
使用手持拉曼光谱进行牛油果成熟度分类:通过机器学习和重采样技术解决数据不平衡问题
查看原文2026
Food Chemistry
中科院一区JCR一区In-Hwan Lee, Zhengao Li, & Luyao Ma
食品标签
新鲜水果 品质、结构与理化性质 光谱/色谱/质谱等分析方法 花青素与类胡萝卜素计算机标签
卷积神经网络 支持向量机 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据 大规模数据集食品浪费是一个全球性问题,部分原因是破坏性测试和不准确的目视检查导致质量错误分类。本研究开发了一种机器学习辅助的手持拉曼光谱仪,用于牛油果成熟度的无损分类。共收集了1274个拉曼光谱数据,同时进行了硬度和内部质量测量,用于模型训练。特征峰反映了成熟过程中叶绿素下降和花青素增加。二维一维卷积神经网络(1D-CNN)在原始不平衡数据集上表现优于更多层(如4层和6层)的模型,达到0.831的受试者工作特征曲线下面积(ROC-AUC)。在实际应用中,成熟度阶段的样本量通常不均衡,这对分类提出了挑战。合成少数类过采样技术改善了传统模型的性能,支持向量机和随机森林的ROC-AUC值达到≥0.786。然而,1D-CNN在原始数据集上的表现最佳。这些结果突出了快速、非破坏性、现场化的食品成熟度评估方法,为减少食品浪费提供了实用工具。