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

  • 基于对比学习的多模态注意力网络图像-光谱融合对红茶萎凋品质的智能评估

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

    Qin Ouyang, Huilin Chang, Dengshan Li, Zhenhao Xu, Yuanbin She, & Zhonghua Liu

    食品标签

    茶/茶饮料 过程监测与在线检测 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类

    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 可见光/RGB/视频数据 红外/拉曼光谱数据

    萎凋是一个对红茶最终质量有重大影响的关键工艺。传统的评估方法依赖人工评价,往往带有主观性且耗时。为克服这一限制,我们提出了一种基于计算机视觉(CV)和近红外光谱(NIRs)的多模态评估方法,在红茶萎凋过程中整合了定性分类和定量预测。针对萎凋程度的分类,我们开发了一种多模态注意力融合网络,该网络结合了CV特征提取模块(金字塔CNN)、NIRs特征提取模块(增强注意力CNN和门控循环单元),以及采用对比学习的跨模态融合机制,实现了95.56%的准确率。为了进行定量评估,我们构建了一个结合压缩与激励增强的ResNet18模型,将可见光(CV)和近红外(NIRs)特征融合,用于预测水分和可溶性糖含量,测试集相关系数分别为0.9151和0.9023。这些创新为黑茶萎凋的智能评估提供了全面的策略。

  • 文本到图像模型中的食品颜色-风味关联

    2026
    Food Quality and Preference
    中科院一区
    JCR一区
    查看原文

    Jorge A. Alvarado, & Carlos Velasco

    食品标签

    特征风味 颜色与外观品质 显微与成像技术

    计算机标签

    大语言模型 知识抽取与语义理解 可见光/RGB/视频数据 文本/知识库/法规数据

    本研究使用文本到图像模型在食品(特定情境的领域)中探索颜色-味觉对应关系,并提供了关于模型对这种关联敏感性的见解。结果证实了苦味与黑色的关联,以及咸味与蓝色的关联,而甜味与红色或酸味与黄色之间的联系在不同食品项目中不一致。然而,被描述为苦味的甜食显示红色色调减少,这有助于了解预期味觉与描绘味觉之间的差异。研究结果表明,情感和语义关联在各种食品项目中都起着重要作用。在生成的图像中经常出现外在视觉线索,这对食品营销和包装具有启示意义。

  • 用于检测收获甘薯根结线虫瘿的反射与交互光谱技术

    2026
    Postharvest Biology and Technology
    中科院一区
    JCR一区
    查看原文

    Hoang M. Nguyen, Adrienne M. Gorny, Simon Fraher, Ali Altaqui, Jerome Maleski, Cranos Williams, Daniela S. Jones, Yuzhen Lu, Mohammed Kamruzzaman, Nuwan K. Wijewardane, & Michael W. Kudenov

    食品标签

    其他根茎类 微生物安全 光谱/色谱/质谱等分析方法 显微与成像技术

    计算机标签

    卷积神经网络 其他深度学习结构 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

    根结线虫是甘薯生产中的重要病原,目前检测主要依赖劳动强度大且耗时的实验室检测。本研究比较了非接触式近红外反射成像和交互成像用于快速检测根结线虫瘿的效果,使用前期研究确定的 3 个激光波长(750、808 和 905 nm)。研究将实验成像与蒙特卡罗散射模拟结合,用于量化瘿组织与健康组织之间的光谱对比。此外,评估了 6 种卷积神经网络架构用于自动分类,并开展基于成本的分析以评估性能权衡。光谱分析显示,实测数据和模拟数据呈现一致趋势:与健康组织相比,瘿组织具有更低的 750/808 nm 比值和更高的 905/808 nm 比值,且交互成像通常比反射成像提供更高的绝对对比度。然而,分类结果表明,尽管反射图像的光谱对比度较低,其空间特征仍能达到与交互数据相近的准确率。采用结合反射-交互混合指标和 ResNet 101 时,获得最高检测准确率(97.5%)和最低假阳性率(1.46%)。单一模态反射或交互成像的准确率约为 95.7%。成本建模表明,最佳网络-指标组合取决于假阳性(田间补救)和假阴性(交付批次被拒)相对成本。当补救成本更高时,结合混合指标的 ResNet 50 表现最佳;而当两类成本相等或假阴性成本更高时,结合混合指标的 ResNet 101 最优。研究局限包括仅评估单一甘薯品种、成本建模较简化,以及未纳入其他表面或亚表面缺陷。

  • 基于表型特征的茶叶地理来源识别轻量级深度学习

    2026
    npj Science of Food
    中科院一区
    JCR一区
    查看原文

    Guoquan Pei, Bing Zhou, Xueying Qian, Baijuan Wang, Wei Chen, & Wendou Wu

    食品标签

    茶/茶饮料 其他安全问题 显微与成像技术

    计算机标签

    卷积神经网络 模型可解释性 分类/鉴别/等级评定 可见光/RGB/视频数据 中等规模数据集

    准确识别茶叶的地理来源对于确保茶叶行业的质量保证和可追溯性至关重要。本研究介绍了Origin-Tea,一种新颖的轻量级卷积神经网络,它创新性地将深度可分离卷积与压缩-激励(SE)注意力机制相结合,有效捕捉微小的表型差异,同时最大限度地降低计算成本。与依赖大型架构或人工设计特征的先前方法不同,Origin-Tea专为农业应用中的高效性和可解释性而设计。全面的消融研究证实了每个架构组件对模型稳健性能的显著贡献。该数据集包含了900张高分辨率的云康10茶叶RGB图像,这些图像是从云南省七个不同地区独立收集的。采用了10折分层嵌套交叉验证(CV),每次迭代中,一折用于测试,一折用于验证,其余八折用于训练。数据增强技术,包括翻转、旋转和曝光调整,仅应用于训练集,以在不破坏固有表型特征的前提下增强模型的稳健性。Origin-Tea取得了平均整体准确率(OA)为0.92 ± 0.03,Kappa系数为0.90 ± 0.03,优于表现最佳的基线模型CoAtNet(OA = 0.89 ± 0.03)3.37%的准确率,同时模型参数减少了90%以上(1.7 M 对比 17 M)。此外,在对来自四个村庄的1788张扫描仪捕获图像进行的独立测试中,Origin-Tea表现出出色的泛化能力,总体准确率(OA)为0.97。这些结果突出了该模型作为可扩展、可现场部署的智能茶叶来源验证和精准表型分析解决方案的潜力。

  • 基于非侵入式计算机视觉、物联网和机器学习的 Amasi 酸度实时监测数字孪生方法

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

    Ismail Adeleke, Nnamdi Nwulu, & Oluwafemi Ayodeji Adebo

    食品标签

    液态乳 其他酱腌/发酵食品 颜色与外观品质 加工与新加工技术 显微与成像技术 常规理化指标测定

    计算机标签

    卷积神经网络 随机森林 过程控制与实时优化 可见光/RGB/视频数据 时序传感器/物联网数据

    精确酸度控制对 Amasi 等发酵乳制品质量稳定非常重要,但传统滴定和离线检测耗时费力,难以用于实时过程控制。本研究开发了一套集成数字孪生平台,将非侵入式计算机视觉、物联网传感器和机器学习与闭环 PID 温度及搅拌控制结合。研究通过 Raspberry Pi 摄像头在 7 次发酵运行中采集 7666 张时间同步图像,同时记录 pH、总可滴定酸度、电导率和温度等传感器流,并整合巴氏杀菌、接种和温度等元数据。研究评估了 4 种仅图像特征提取策略和 4 种混合特征集,并使用全连接神经网络、XGBoost 和随机森林回归器建模。全集成特征集结合随机森林表现最佳,酸度相关状态预测 R2 为 0.9537,MSE 为 0.0708,MAE 为 0.1256。经温度补偿的电导率可作为 TTA 的连续代理指标,R2 为 0.9279,RMSE 为 0.1889 mL/g,MAE 为 0.1445 mL/g。消融分析显示 CNN 嵌入、颜色直方图和传感器元数据对准确性最关键。该系统可实现连续、非侵入式酸度监测,并支持发酵乳加工的可扩展数字孪生控制。

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