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)

卷积神经网络

共 291 条结果

  • 使用表面增强拉曼光谱结合深度学习模型对花生油中黄曲霉毒素B1进行快速无标记检测

    2025
    LWT
    中科院一区
    JCR一区
    查看原文

    Dingding Wang, Tanvir Ahmad, Shaimaa A. Khalid, Ahmed S. Abo Dena, & Yang Liu

    食品标签

    植物油 化学污染物 过敏原与毒性问题 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 支持向量机 随机森林 偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据

    本研究提出了一种用于快速、无标记且高灵敏度检测花生油中黄曲霉毒素B1(AFB1)的新方法,该方法结合了表面增强拉曼光谱(SERS)和深度学习模型。合成了银包覆金纳米颗粒(Au@Ag NPs)作为SERS基底。采用共焦拉曼光谱仪获取加标AFB1的花生油样品的拉曼光谱。随后,对收集到的SERS光谱数据进行了增强和预处理,以提高回归模型的泛化能力。共开发了六种回归模型,包括偏最小二乘回归(PLSR)、支持向量回归(SVR)、随机森林回归(RFR)、卷积神经网络(CNN)、长短期记忆网络(LSTM)以及结合CNN-LSTM的模型。结果显示,CNN-LSTM 模型能够有效捕捉复杂的非线性关系,减少对参数调整的依赖,并最小化过拟合。它还能够有效处理大规模数据集,降低计算负担。CNN-LSTM 模型在预测性能方面表现出色,决定系数 (R² P) = 0.9892,预测均方根误差 (RMSEP) = 0.2104,性能偏差比 (RPD) = 6.8723,同时灵敏度极佳 (LOD = 0.31 μg/kg)。这些结果表明,该方法能够在花生油中实现快速、无标记、高效的 AFB 1 检测,并具有显著的实时监测应用潜力。

  • 基于微波自由空间与有限元方法的苹果水心病直径无关检测

    2025
    Food Research International
    中科院一区
    JCR一区
    查看原文

    Mengke Cao, Youhua Bu, Chengxu Gong, Yijie Li, Jiao Guo & Wenchuan Guo

    食品标签

    新鲜水果 品质、结构与理化性质 统计建模与仿真

    计算机标签

    支持向量机 智能手机/其他 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 中等规模数据集

    水心病是影响苹果品质的一种生理紊乱。本研究提出一种结合微波自由空间与有限元模拟的新方法,用于检测不同直径苹果的水心病。首先,收集了509个直径在69至100毫米之间的‘富士’苹果的传输系数(S12、S21)与水心病程度。随后,基于有限元法构建了天线-苹果耦合仿真模型,获取果肉横截面的电场强度,并建立了直径与传输系数之间的拟合方程,用于将传输系数校正至同一直径尺度。最后,分别基于原始光谱与校正后光谱建立了决策树(DT)、支持向量机(SVM)、人工神经网络(ANN)和一维卷积神经网络(1D-CNN)的水心病程度分类模型。实验结果证明在大多数频率下,传输系数与苹果直径及水心病程度呈负相关。仿真结果表明,在七个等间距对数频率下,传输系数随直径的变化遵循正弦三角函数关系。使用校正后光谱建立的模型比原始光谱具有更高的准确率。基于校正后S21光谱构建的ANN模型准确率最高,训练集、预测集和验证集分别达到99.02%、97.12%和91.19%,验证集中正常、轻度、中度和重度水心病苹果的识别准确率分别为88.89%、92.59%、88.89%和100%。本研究表明,无论苹果直径如何,均可通过微波自由空间、有限元模拟及适当算法实现苹果水心病程度的检测。

  • 基于SIRI技术结合纹理特征LS-SVM与ResNet-18 CNN模型的梨不同碰伤程度与形成时间的检测

    2025
    Postharvest Biology and Technology
    中科院一区
    JCR一区
    查看原文

    Jiangbo Li, Junyi Zhang, Mengwen Mei, Zhihua Diao, Xuetong Li, Ruiyao Shi & Zhonglei Cai

    食品标签

    新鲜水果 其他品质相关性质 显微与成像技术

    计算机标签

    支持向量机 卷积神经网络 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据

    碰伤会对水果的外观和感官品质产生负面影响,削弱其商业价值。碰伤水果的光学无损检测是一个重要的研究课题。然而,碰伤的程度和形成时间对检测精度有显著影响,这对准确检测碰伤水果提出了挑战。本研究尝试使用结构光反射成像(SIRI)技术来检测具有不同碰伤程度和形成时间的梨。收集了具有三种碰伤程度(S1、S2和S3)和五种碰伤形成时间(0、6、24、48和72小时)的梨的结构光图像。使用不同的输入图像(DC、AC、RT、DC-AC和DC-AC-RT)建立了两种机器学习模型,包括基于纹理特征的最小二乘支持向量机(LS-SVM)和基于ResNet-18的卷积神经网络(CNN)。研究表明,AC和RT图像具有深度分辨能力,结合两种模型对24小时内的梨碰伤检测取得了良好效果,显示了SIRI技术对于早期碰伤的强大检测能力。与LS-SVM模型相比,基于ResNet-18的CNN模型获得了更好的检测性能,且其检测精度未受碰伤程度和形成时间的显著影响。对于所有样本,基于ResNet-18的CNN模型结合AC和RT图像,分别实现了92.5%和94.3%的整体检测准确率。本研究为准确识别具有不同碰伤程度和时间的梨提供了一种有价值的解决方案。

  • 烤羊肉中多环芳烃分析机器学习:来自光谱和化学数据的新见解

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Jie Hao, Jiarui Cui, Sijia Liu, Yu Lv, Zhongxiong Zhang & Songlei Wang

    食品标签

    畜肉 化学污染物 光谱/色谱/质谱等分析方法

    计算机标签

    偏最小二乘法 卷积神经网络 生成对抗网络 定量预测/回归分析 合成/仿真数据为主

    羔羊烘焙过程中产生的多环芳香烃(PAHs)存在健康风险,但由于其浓度低且特性复杂,难以预测。现有模型未能解决PAHs分析中数据稀缺性和低浓度预测准确性的问题。通过熵加权法(EWM)推导的综合PAHs指数(CPI)结合自动编码器和生成对抗网络(AE-GAN),可能克服这些局限。我们将EWM与AE-GAN(用于合成数据增强)集成,并利用偏最小二乘回归(PLSR)、卷积神经网络(CNN)和贝叶斯回声状态网络(Bayes-ESN)开发预测模型。当历元=3000且数据量增加750时,贝叶斯-ESN模型表现最佳(RP2= 0.8238),证明了AE-GAN在缓解数据稀缺性方面的有效性。EWM、AE-GAN和贝叶斯ESN的结合,为预测烤肉中多环节烴(PAHs)水平提供了有力的解决方案,通过增强生成回归协同效应推动食品安全控制。

  • 用于少样本咖啡豆缺陷检测的暹罗网络

    2025
    LWT
    中科院一区
    JCR一区
    查看原文

    Xingran Hu, Jun He, Xinyu Guo, Sunyan Hong, & Jing Yu

    食品标签

    咖啡饮料 品质、结构与理化性质 显微与成像技术

    计算机标签

    卷积神经网络 小样本学习 缺陷/异物检测与定位 可见光/RGB/视频数据 大规模数据集

    缺陷咖啡豆会影响风味特征和产品质量,因此有必要在整个供应链中实时识别缺陷。虽然卷积神经网络在农业图像识别方面取得了进展,但由于依赖大规模标注数据集,它们在少样本细粒度缺陷分类方面仍然受限。本研究提出了一种孪生神经网络方法,通过基于相似性的学习进行少样本咖啡豆缺陷检测。该架构采用双分支的ResNet18(针对单通道 224 × 224 输入进行适配,输出 512 维特征),并共享权重,利用欧氏距离进行特征匹配。研究从云南省样品构建了一个包含3220张图像的数据集,涵盖完整豆和六类缺陷豆。该模型实现了94.95%的准确率,显著优于传统卷积神经网络(74.35%)和支持向量机(64.28%)方法。每张图像34毫秒的处理速度使其实时工业部署成为可能。这种方法在样本有限的情况下表现出稳健的泛化能力,为咖啡供应链中资源受限的生产环境提供了实际价值,同时减少了对大量标注数据集的依赖。

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