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 364 条结果
-
用于预测食品热加工过程中微生物存活的基于核的机器学习模型
查看原文
2026
Innovative Food Science & Emerging Technologies
中科院一区JCR一区
Bing Li, Si Zhu, & Guibing Chen
计算机标签
支持向量机 定量预测/回归分析 合成/仿真数据为主食品标签
食品安全与风险评估 微生物安全 传统热加工 微生物计数与生长曲线 动力学建模准确预测食品加工过程中微生物的存活情况，对于保障食品安全和优化加工工艺至关重要。传统上，微生物存活曲线可用一级模型描述：在恒定条件下，模型可表示为时间的函数；在任意变化条件下，则可表示为常微分方程。然而，建立用于描述一级模型参数与微生物抗性影响因素之间关系的二级模型较为困难，尤其是在涉及两个以上影响因素时。为避免依赖二级模型，本研究采用基于核的机器学习方法——支持向量回归（SVR）和高斯过程回归（GPR）——预测食品加工过程中的微生物存活情况。作为概念验证，研究在简单的单因素条件（温度）下评价了这些方法的预测能力，所用数据包括由完整 Weibull 模型生成的有噪声和无噪声模拟存活数据，以及已发表的热加工实验存活数据。结果表明，SVR 和 GPR 模型在等温条件下均表现良好，能够捕捉存活曲线的肩部、下降阶段和拖尾等关键特征。结合分段积分后，训练所得模型无需二级模型，也能准确预测非等温条件下的微生物存活情况。总体而言，基于核的机器学习方法为预测食品微生物学提供了一个具有潜在可靠性的技术框架。
-
利用机器学习革新供应链中生鲜食品质量控制：当前进展与未来挑战
查看原文
2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区
Jiayi Xu, Zisheng Luo, Xuenan Zhang, Zhenbiao Li, Dong Li, Yanpei Chen, Xingyu Lin, Fabián Guillén, & Yanqun Xu
计算机标签
卷积神经网络 支持向量机 定量预测/回归分析 时序传感器/物联网数据 组学数据食品标签
品质、结构与理化性质 保藏与贮藏 过程控制与数字化全球供应链中约有三分之一的新鲜食品被浪费。机器学习（ML），作为人工智能的一个关键分支，通过实现智能感知、精确评估和自适应控制，提升了新鲜食品的收获后物流和保存。然而，其应用面临数据标准化、传感器限制、产品多样性以及模型泛化能力有限等挑战。本综述总结了食品供应链中当前先进的机器学习应用，强调其在质量控制方面的变革潜力。我们探讨了机器学习整合多组学数据的能力，以深入了解运输和储存过程中分子变化，从而促进管理策略的开发和评估。在分级、传感器技术和智能保鲜材料中的实际应用也进行了评估。机器学习模型，如支持向量机（SVM）和卷积神经网络（CNN），通过分析感官特性和化学成分，提高了精确分级和质量预测的能力。通过捕捉复杂的分子相互作用，机器学习使创新的传感器表面设计成为可能，增强了灵敏度和特异性。由机器学习驱动的传感器进一步支持实时环境监测，而由机器学习驱动的智能包装材料通过对内部条件的自适应响应保持新鲜度并减少损耗。为了确保模型的稳健性和泛化能力，适当的验证策略如交叉验证和外部验证是必不可少的。尽管其具有显著潜力，机器学习的广泛应用仍面临诸多挑战，包括有限的品种和区域泛化能力、决策透明性、计算需求等。数据可用性和算法选择。解决这些问题对于在收获后质量控制系统中实现有效且可持续的机器学习整合至关重要。
-
一种机器视觉耦合比色电纺纳米纤维膜，用于猪肉的现场TVB-N预测和新鲜度分级
查看原文
2026
Food Control
中科院一区JCR一区
Tong Wan, Zhiran Liang, Fei Fan, Jingxuan Qiu, Caiyun Liu, & Xin Wang
计算机标签
深度学习 支持向量机 定量预测/回归分析 可见光/RGB/视频数据 时序传感器/物联网数据食品标签
畜肉 颜色与外观品质 货架期预测与品质劣变动力学 常规理化指标测定 花青素与类胡萝卜素本研究提出了一种机器视觉耦合比色电纺纳米纤维薄膜，用于现场监测猪肉新鲜度。由聚乙烯醇、壳聚糖、桑花青素和纳米ZnO通过静电纺丝制成的食品级薄膜，通过与猪肉表面直接接触，可在3分钟内快速评估新鲜度。优化的薄膜配方在变质过程中表现出从粉红色到蓝色的明显颜色转变，对应于临界新鲜度范围内的pH变化。通过与机器视觉和深度学习算法的集成，该系统使用EfficientNetB0使用支持向量回归和四级新鲜度分类（ 93 ％的准确率）实现了同时TVB-N预测（ R 2 = 0.87 ）。验证结果表明，该系统在实际猪肉样品中的可靠性，预测值和参考值之间具有极好的一致性。这种无损传感平台无需复杂操作即可有效运行，为肉类供应链中的实时质量监控提供了实用的解决方案。
-
可解释机器学习辅助中红外光谱用于扁形绿茶质量的定性与定量评估
查看原文
2026
Food Control
中科院一区JCR一区
Yujie Wang, Huahao Yu, Xuechen Zhang, Xinbei Song, Sitan Ye, Mostafa Gouda, & Xiaoli Li
计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 红外/拉曼光谱数据食品标签
茶/茶饮料 品质、结构与理化性质 光谱/色谱/质谱等分析方法 多酚与黄酮茶叶地理来源识别长期以来都是一个难题，但适用于茶叶地理来源的绿色、可循环识别方法仍然缺乏。因此，本研究旨在探索中红外光谱和机器学习用于扁形绿茶地理来源追溯与成分检测的可行性。研究评价了 100 个扁形茶样本，其中包括 50 个地理标志龙井茶样本和 50 个非地理标志样本。GI 与非 GI 样本在茶多酚和游离氨基酸含量方面均存在显著差异（p < 0.05）。基于 MIR 的非线性 SVM 模型对 34 个茶样本实现了准确识别，准确率为 97.06%。非线性 SVR 和线性 CARS-PLSR 模型分别实现了茶多酚和氨基酸的定量预测，RMSE 分别为 0.78% 和 0.09%。SHAP 值进一步表明，2196、1988 和 2181 cm-1 的波数分别主导地理来源、茶多酚和氨基酸预测，其中 2196 cm-1 为负贡献，1988 和 2181 cm-1 为正贡献，从而有助于提高模型准确性。本研究为农产品地理来源追溯提供了可靠模型。
-
集成表面增强拉曼光谱与机器学习用于果汁中多靶标农药残留的识别与定量
查看原文
2026
Food Chemistry
中科院一区JCR一区
Shen Jiang, Qiuyun Li, Xubin Quan, Yaowen Xing, Yujiang Huang, Xuming Mu, Yitong Meng, Guangrun Wu, Tong Ju, Yuhan Chu, Ruiyao Ma, Jing Wu, Xiaotong Wang, Sheng Wang, & Yang Li
计算机标签
机器学习/统计学习 支持向量机 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
果蔬汁/浓缩汁 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分本研究开发了一种新型的表面增强拉曼散射（SERS）平台，该平台结合了机器学习，可实现对果汁中多种农药残留的快速、灵敏和区分性分析。核心-壳层 Au@AgCNCs 纳米结构通过局域表面等离子共振和钙离子诱导聚集显著增强拉曼信号，使五种农药的超高灵敏检测成为可能，检测限低至 2.7 pM。当将机器学习（ML）算法应用于果汁中多靶农药残留分析时，在复杂的果汁基质中识别农药类型的准确率达到 99.56%。值得注意的是，该模型在纯农药光谱上进行训练，并在加标果汁样品上进行测试。使用支持向量回归（SVR），单一和混合农药的回收率范围为94.2%至106.1%，从而实现了多组分农药残留的定量分析。将表面增强拉曼散射（SERS）与机器学习（ML）结合，不仅提高了检测精度，还简化了分析流程，显示出在食品安全监测和可持续农业实践中的重要潜力。
