01 / 01

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
暂无筛选

标签记录(计算机学者)

可见光/RGB/视频数据

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

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    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

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    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

    2026
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    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

    2026
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    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

    2026
    Food Control
    中科院一区
    JCR一区
    查看原文

    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。

跳转至

页

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号