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 393 条结果
-
晒青绿茶中微塑料异物的轻量化检测:基于深度学习的改进 YOLOv8 神经网络模型
查看原文2026
Food Control
中科院一区JCR一区Zejun Wang, Chun Wang, Wenxia Yuan, Xiujuan Deng, Houqiao Wang, Tianyu Wu, Jinyan Zhao, Weihao Liu, & Baijuan Wang
食品标签
茶/茶饮料 食品安全与风险评估 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 缺陷/异物检测与定位 可见光/RGB/视频数据 大规模数据集茶叶中的微塑料污染是新兴食品安全问题,而在晒青绿茶复杂视觉背景中检测低密度、非金属微塑料仍具有挑战性。本研究开发了一种改进的轻量化 YOLOv8 模型 YOLOv8-IDMA,用于晒青绿茶中微塑料异物检测。研究利用数字化晒青绿茶生产线制备洁净茶样,并将四类微塑料人工混入茶叶基质。共采集 1128 张原始图像,筛选后保留 1097 张具有清晰微塑料特征的图像,并通过数据增强扩展至 7679 张。模型集成 Inner-WIoU 以优化边界框回归,采用 DualConv 模块降低参数量并增强特征提取,引入 MLCA 注意力机制实现局部-全局特征融合,并使用 ADown 下采样保留小目标信息。研究采用 10 折交叉验证,并与 YOLOv5、YOLOv7、YOLOv8、YOLOv10、Faster R-CNN、CornerNet、SSD 及其他先进变体进行广泛比较。消融实验中,YOLOv8-IDMA 的 Precision 为 98.94%,Recall 为 98.76%,mAP 为 99.21%,参数量为 229 万,GFLOPs 为 6.6,FPS 为 309.57。外部测试中 Precision、Recall、mAP 和 F1-score 分别为 99.12%、98.61%、99.18% 和 98.95%。该模型为茶叶生产中的微塑料在线监测提供了高精度、高效率方法。
-
基于维度转换 Vis-NIR 透射光谱和可解释深浅层模型检测霉心亚健康苹果
查看原文2026
Food Control
中科院一区JCR一区Mingcan Zhai, Zhibin Wang, Youfang Yu, He Li, Xiaoming Mo, Mengxu Zhao, Yanyan Li, Zhihua Zha, & Jie Wu
食品标签
新鲜水果 颜色与外观品质 保藏与贮藏 光谱/色谱/质谱等分析方法 显微与成像技术计算机标签
其他深度学习结构 支持向量机 定量预测/回归分析 红外/拉曼光谱数据 可见光/RGB/视频数据种腔内霉变但果肉仍基本保持可食状态的苹果被定义为亚健康果,其及时检测对贮藏和销售控制非常重要,因为这类苹果难以仅凭外观与健康苹果区分。本研究开发了可实现全透射、漫透射和组合透射的 Vis-NIR 光谱检测系统,并结合维度转换和可解释深浅层学习进行分类。主分类任务共选取 371 个富士苹果,包括 152 个健康果、122 个亚健康果和 97 个病果。550-850 nm 光谱经 GASF、GADF、MTF、SDP 和 RP 等方法转换为二维图像。视觉 Transformer 从转换后的光谱图像中提取 768 个深层特征,并比较 kNN、SVM 和逻辑回归分类器。基于全透射强度光谱转换的 GASF 图像,ViT-kNN 模型整体准确率为 81.33%,F1-score 为 81.33%,Kappa 为 72.18%,Matthews 相关系数为 73.17%。SHAP 分析识别出 84 个有影响特征,其中包括 45 个正向特征和 39 个负向特征;前 5 个主特征贡献约 80% 的分类准确率。外部验证另使用 102 个苹果。该方法为苹果早期或轻微内部霉心病检测提供了无损检测思路。
-
人工智能如何革新食品检测?视觉、嗅觉和味觉与机器学习/深度学习在食品检测中的整合
查看原文2026
Food Chemistry
中科院一区JCR一区Changhui Wei, Li Zhou, Buwen Liang, Jing Chen, Guoyi Wang, & Xinxing Li
食品标签
过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据 时序传感器/物联网数据 质构/流变/感官数据人工智能(AI)的快速发展正在深刻地改变食品检测的理论框架和技术范式。本研究重点阐明基于机器学习(ML)和深度学习(DL)的人工智能在特征提取、模式识别和决策反馈中的潜在机制。人工智能算法使计算机视觉、电子鼻和电子舌等感知系统能够克服对手工特征的依赖,实现复杂信号的自动学习和高维表征,从而显著提高检测的准确性和鲁棒性。此外,本文系统分析了人工智能驱动的感知技术的优势和局限性,并展望了多模态数据融合和大型语言模型(LLM)潜在应用的前景。最后,研究总结了人工智能在食品检测中仍然面临的主要挑战,并概述了未来发展的潜在方向。
-
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
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。
-
空间频域成像中的单次快照多频解调用于水果实时、准确和宽视场光学性质测量
查看原文2026
Food Control
中科院一区JCR一区Yumeng Peng, Tianze Jia, Xujia Chen, Can Hu, Guoquan Zhou, & Dong Hu
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 显微与成像技术计算机标签
图像分割网络 模型轻量化/边缘计算 分类/鉴别/等级评定 可见光/RGB/视频数据 大规模数据集空间频域成像能够为水果品质评价提供无损、深度分辨的信息,但传统方法需要在不同相位和频率下多次采集图像。本研究提出两种单次快照多频解调方法,从一幅结构光图像中提取多个调制传递函数。第一种方法采用改进的双 Blackman 窗口以抑制旁瓣并保留边缘信息,相比矩形窗口方法降低了约化散射系数图像的相对误差。第二种方法构建了频率-空间注意力 U-Net(FSA-Unet),用于基于深度学习的频率分离。在苹果实验以及梨和桃的验证中,FSA-Unet 相比传统 U-Net 提升了频率分离效果,并将正常苹果光学性质重建的相对误差降低至 5.98%。研究使用 67 个金冠苹果构建 3618 个图像样本,并划分训练集、验证集和测试集。结果表明,该方法可支持水果品质检测中的实时、高精度无损光学性质测量。