类目筛选（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
-
-
深度筛选（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
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 339 条结果
-
人工智能驱动的发酵食品微生物资源探索
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Peiqin Shi, Shuangping Liu, Jieqi Mao, Xiaogang Liu, Rongkun Tu, Hui Qin, Aibao Sun, Dachuan Zhang & Jian Mao
计算机标签
机器学习/统计学习 深度学习 过程控制与实时优化 定量预测/回归分析食品标签
发酵食品及酱腌制品 过程优化与控制策略 组学与高通量技术 发酵工艺与动力学背景：发酵食品微生物构成了一个多样化的微观生态系统，在食品生产、风味开发和人类健康方面具有巨大的应用潜力。然而，其复杂性、传统培养方法的局限性以及功能分析的难度给研究带来了重大挑战。这些挑战共同限制了我们对潜在机制的理解。
范围与方法：本综述系统阐述了人工智能（AI）在克服这些局限性方面带来的范式转变。我们综合当前研究，详细介绍了人工智能（特别是机器学习和深度学习）在挖掘和解读复杂微生物数据集方面的应用。此外，我们还强调了这些计算方法在发酵食品行业中的变革性应用和潜在挑战。
主要发现与结论：人工智能能够实现高分辨率的微生物注释，并准确预测基因功能和新的代谢途径。此外，它使研究人员能够对驱动食品发酵过程的复杂微生物相互作用进行建模。尽管在数据标准化、模型可解释性和实际应用整合方面仍存在挑战，但人工智能无疑已成为挖掘发酵食品中微生物资源的变革性工具。它将加速下一代发酵剂的发现，并优化发酵过程，以提高效率和一致性。这些进展有望显著改进工业发酵实践，支持更可持续和标准化的食品生产。此外，它还将促进旨在改善人类健康的功能性食品的开发。 -
机器学习辅助分子印迹 CeFeO3/CHIT 纳米复合材料选择性传感牛奶和果汁中的奥硝唑
查看原文
2026
Food Control
中科院一区JCR一区
Rui Liu, Meng Han, Chaojun Zhang, Wein-Duo Yang, & Binqiao Ren
计算机标签
深度学习 随机森林 定量预测/回归分析 时序传感器/物联网数据食品标签
液态乳 果蔬汁/浓缩汁 化学污染物 过程监测与在线检测 常规理化指标测定 碳水化合物与糖类食品中奥硝唑残留需要灵敏且具有选择性的分析方法。本研究开发了一种分子印迹 CeFeO3/壳聚糖纳米复合材料修饰玻碳电极，用于牛奶和橙汁中奥硝唑的电化学传感检测，并利用机器学习辅助预测和解释传感性能。MIP-CeFeO3/CHIT/GCE 传感器对奥硝唑表现出选择性识别能力，线性检测范围为 0.05-140 nM，检出限为 0.0143 nM。真实样品加标回收实验显示，牛奶中的回收率为 98.80%-102.83%，橙汁中的回收率为 99.30%-103.88%。研究采用人工神经网络、BP 神经网络、高斯过程回归、径向基函数和随机森林等机器学习模型，对电化学响应关系进行建模。GPR 对 pH、电位和电流之间的三维关系具有较强拟合能力，R2 达 0.9997，随机森林模型也表现出稳定预测性能。该研究表明，分子印迹电化学传感与机器学习结合可支持食品基质中药物残留的灵敏检测。
-
用于微生物早期腐败检测的先进实时无损光谱指纹技术 —— 面向规模化食品安全与品质的 AI 集成拉曼生物传感平台
查看原文
2026
Food Research International
中科院一区JCR一区
Debarati Bhowmik, Jonathan James Stanley Rickard & Pola Goldberg Oppenheimer
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 红外/拉曼光谱数据食品标签
微生物安全 光谱/色谱/质谱等分析方法 其他理化与结构表征食品腐败是一项全球性难题，它会造成经济损失、引发粮食不安全问题，并因微生物污染带来健康风险。传统检测方法通常具有破坏性、耗时较长，且难以有效识别早期生化变化或具有立体特异性的微生物副产物。本研究开发了SkiNET-FoodSpec这一新型无创生物传感平台，该平台将生物分子光谱技术与基于自组织映射的先进神经网络（SkiNET）相结合，可实现食品腐败的快速实时检测。该系统在肉类、牛奶及叶菜类等多种食品基质中的分类准确率均超过93%。它能够检测关键腐败标志物，例如肉类中的尸胺（检出限：0.06875 mg/kg）、牛奶中的D-/L-乳酸对映体（检出限：3 mmol/mL）以及叶菜中的类胡萝卜素和纤维素降解产物（检出限：0.071 mg/kg）。通过生成特定基质的光谱条形码，SkiNET-FoodSpec可在食品出现可见或嗅觉腐败迹象之前识别早期腐败。这项生物技术领域的进步实现了食品质量保障的智能现场即时诊断，为提升食品安全水平、减少食品浪费以及构建韧性可持续的食品体系提供了强有力的工具。
-
用于质量控制中缺陷可可浆检测的多层级数据融合与机器学习
查看原文
2026
Food Control
中科院一区JCR一区
Giorgio Felizzato, Eloisa Bagnulo, Andrea Caratti, Cristian Bortolini, Alessandro Guglielmetti, Chiara Cordero, & Erica Liberto
计算机标签
深度学习 偏最小二乘法 缺陷/异物检测与定位 多模态/融合数据 红外/拉曼光谱数据食品标签
酒精饮料 巧克力及含可可制品 特征风味 光谱/色谱/质谱等分析方法人工智能可通过降低对主观感官检查的依赖，支持可可浆更客观的质量控制。本研究利用液相色谱-紫外/二极管阵列检测和气相色谱-质谱数据，识别具有异味缺陷的可可浆。来自厄瓜多尔 CCN51 品种的可可浆样品经企业内部感官小组评价，被划分为合格样品和缺陷样品，缺陷包括酸涩、金属味、土味和苦味等。研究比较了 KNN、LDA、逻辑回归、PLS-DA、随机森林、支持向量机和多层感知机等机器学习与深度学习模型，并评估低层级、中层级和高层级数据融合策略。基于贝叶斯共识的高层级数据融合方法结合了 GC 和 LC 的最佳模型，取得最高 93% 准确率，优于单仪器模型和低/中层级融合方法。结果表明，多源化学谱图与 AI 模型可为工业质量控制中的缺陷可可浆提供快速、客观筛查。
-
新兴技术在加工肉制品中多环芳烃和杂环胺检测、分析、监测与控制中的应用
查看原文
2026
Food Control
中科院一区JCR一区
Samuel Ayofemi Olalekan Adeyeye, & Blessing Rachael Adeyeye
计算机标签
深度学习 定量预测/回归分析 文本/知识库/法规数据 中等规模数据集食品标签
畜肉 食品安全与风险评估 品质、结构与理化性质 标准/法规/数据库分析新兴技术和创新方法正在革新加工肉制品中多环芳烃和杂环胺的检测、分析、监测与控制，以提升食品安全并满足法规标准。本文旨在评估用于加工肉中 PAHs 和 HCAs 检测、分析、监测和控制的新兴技术，重点说明其在改善食品安全、分析精度、风险缓解和法规合规方面的有效性。研究遵循 PRISMA 指导的系统综述方法，从 Scopus、Web of Science、PubMed 和 Google Scholar 检索 2005-2025 年文献，关键词涉及 PAHs、HCAs 和新兴技术。在识别的 238 条记录中，筛选后纳入 96 项研究。纳入标准覆盖关于 PAHs/HCAs 制备、检测和控制的同行评议研究，排除重复文献、非英文论文、摘要以及方法学不清晰的研究。主要发现表明，欧姆加热、红外烹调和低温慢煮等新兴加工技术可通过减少直接火焰暴露有效降低 PAHs 形成。乳酸菌、植物提取物和抗氧化剂等生物基干预措施可进一步抑制或降解 PAHs 和 HCAs。先进包装材料可作为吸附剂，而固相微萃取、分散液液微萃取和 QuEChERS 等分析创新可提高检测灵敏度。人工神经网络等计算工具支持污染物形成的预测建模。未来应聚焦智能加工、预测分析和绿色去污染策略的集成，以实现实时控制。总体而言，创新加工、监测和缓解方法相结合，可为提升加工肉制品系统安全和质量提供可持续路径。
