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
-
人工智能驱动的淀粉基凝胶3D食品打印可打印性与质构特性预估
查看原文
2026
Food Hydrocolloids
中科院一区JCR一区
Shihao Cui, Ying Cui, Andreas Blennow, Yuyue Zhong, & Xingxun Liu
计算机标签
深度学习 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据食品标签
碳水化合物配料 3D 打印与结构构筑 品质、结构与理化性质 质构与流变性质 常规理化指标测定 质构与流变测试 碳水化合物与糖类本研究提出了一种人工智能驱动的方法，用于在打印前预测3D打印食品模型的可打印性和质构属性。为实现基于配方的无损预测，研究从打印墨水配方中实验提取了12项关键特征，并据此构建了一个由三个专用神经网络模型组成的新型多阶段深度学习框架。第一个模型为二分类器，用于初步判断墨水是否可打印；若判定为可打印，则进入第二个模型，由可打印性等级分类器将其划分为高、中或低三个等级，从而提供以往研究较少涉及的精细评价。与此同时，第三个模型利用相同的输入特征，同时预测最终产品的硬度、弹性、胶黏性和内聚性等多项质构特性，推动了打印前质量评价的发展。基于系统采集样本构建的数据集，三个模型的平均准确率均接近90%。该研究简化了3D打印食品的打印前评价和无损评估流程，并为该领域的进一步发展奠定了基础。
-
用于测量农产品光吸收和散射的积分球技术综述
查看原文
2026
Food Control
中科院一区JCR一区
Ming Wang, Yinan Hu, Huaxia Liu, Yucheng Li, Jianchao Xie, Yuping Huang, Jiafei Tong, Qinghua Yang, & Dong Hu
计算机标签
深度学习 模型可解释性 定量预测/回归分析 时序传感器/物联网数据 合成/仿真数据为主食品标签
新鲜蔬菜 食品安全与风险评估 微观结构与成像 常规理化指标测定 传统统计分析与回归 花青素与类胡萝卜素积分球技术已成为表征农产品和食品吸收、散射性质的重要光学工具，可支持无损品质和安全评价。本文综述了积分球技术测量固有光学性质的发展、原理和应用，重点关注吸收系数和约化散射系数。文章介绍了单积分球和双积分球结构、实验流程、样品要求和光学性质反演算法。主要算法包括反向加倍法、反向蒙特卡罗法以及新兴深度学习方法，并从准确性、计算需求、稳健性和对高散射生物组织的适用性等方面进行比较。综述进一步讨论了积分球获得的光学性质在农产品与食品工程中的应用，包括水果蔬菜可溶性固形物、硬度、水分、糖含量、花青素、成熟度、微观结构和其他品质指标的预测或解释。文章还梳理了 2000 年以来全球主要研究团队和关键进展。主要挑战包括样品制备复杂、厚度要求、表面异质性、散射干扰、计算负担和模型迁移性有限。未来方向包括小型化和便携式积分球系统、人工智能增强的反演与品质建模、混合光学模态，以及与智能传感集成以服务精准农业和采后质量控制。
-
人工智能融入智能食品包装：迈向实时监测、可持续循环和精准营养
查看原文
2026
Food Control
中科院一区JCR一区
Shuqi Lu, Yumiao Wang, Hongyu He, Can Zhou, Bing Liu, Liangliang Jiang, & Abulimiti Yili
计算机标签
深度学习 模型可解释性 过程控制与实时优化 多模态/融合数据 时序传感器/物联网数据食品标签
复合/即食/餐饮食品 食品安全与风险评估 品质、结构与理化性质 标准/法规/数据库分析本文从四个维度综述人工智能驱动智能食品包装的最新进展，包括实时质量监测、供应链优化、可持续性和健康功能。AI 融合正通过统一的“感知-分析-验证-反馈”框架，将食品质量管理从被动响应转变为主动预测。在感知层，多模态传感器捕捉动态食品质量信息；在分析层，机器学习和深度学习构建高准确度预测模型；在验证层，区块链确保数据完整性和可追溯性；近场通信和二维码则将智能决策转化为可执行的消费者建议和供应链响应，用户反馈进一步优化系统，形成闭环价值流。该集成系统可提高新鲜度监测准确性、减少浪费，并支持绿色材料设计、塑料回收和个性化营养。当前挑战包括成本控制、传感器稳定性、算法可解释性和标准化。未来发展将聚焦柔性电子、边缘 AI、可信协作架构和跨学科整合，以构建更安全、更智能、更可持续的新一代食品包装生态系统。
-
柑橘品质与病害检测中机器学习构建流程的研究进展
查看原文
2026
Food Control
中科院一区JCR一区
Ruijie Mai, Xiang He, Yang Li, Jingnan Ren, Xudong Gong, & Gang Fan
计算机标签
深度学习 模型可解释性 缺陷/异物检测与定位 多模态/融合数据 高光谱/多光谱光谱食品标签
新鲜水果 特征风味 加工与新加工技术 光谱/色谱/质谱等分析方法 显微与成像技术 其他植物化学物质柑橘是全球重要的鲜食和加工食品，其产量与经济价值高度依赖品质属性和病害发生情况。本文综述了用于柑橘品质与病害检测的机器学习模型构建流程进展。文章概述了数据采集、数据预处理、模型构建和模型评价等通用流程，并强调结构化数据（如光谱、色谱和化合物浓度）以及非结构化数据（如图像和高光谱图像）预处理的重要性。综述讨论了依赖人工特征的传统机器学习算法，以及能够自动学习层级表征的深度学习方法。文章梳理了多种数据模态在成熟度评估、可溶性固形物和酸度预测、缺陷检测、病害诊断和现场部署中的应用，包括图像、光谱、挥发性有机物、非挥发性化合物、高光谱图像、电子鼻数据和组学相关信息。作者指出了数据集稀缺且异质、标准化不足、跨品种泛化能力有限、预处理与模型相互依赖、黑箱解释性不足和部署受限等关键挑战。未来方向包括建立开放标准化多模态数据库、开发便携式数据采集设备、推进跨传感器数据协调、设计适用于复杂农业条件的预处理和增强方法、构建传统机器学习与深度学习结合的混合或多目标模型，并提升柑橘及更广泛农产品检测中的模型可解释性和现场可部署性。
-
基于拉曼光谱结合机器学习与迁移学习的三角褐指藻规模化培养中生物量与岩藻黄质自由尺度定量研究
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Jijian Long, Song Zou, Wen Liu, Mingyang Ma, Qin Zhang, Yini Chen, Yadong Chu, Zhiqiang Guo, Yinlan Ruan, Danxiang Han & Qiang Hu
计算机标签
机器学习/统计学习 深度学习 迁移学习/领域自适应 定量预测/回归分析 红外/拉曼光谱数据食品标签
微藻及藻类产品 品质、结构与理化性质 光谱/色谱/质谱等分析方法 植物化学/生物活性成分快速、无创监测技术是对微藻生产中用于评估生物量和生物活性物质的高人力消耗检测方法的一次技术升级。本研究构建了一套拉曼光谱与机器学习相结合的一体化分析框架，用于定量测定三角褐指藻的生物量及岩藻黄质产量。研究流程将光谱预处理与多种特征筛选策略、机器学习算法进行融合。深度网络在全光谱条件下展现出更优的生物量预测精度（决定系数R²=0.968；均方根误差RMSE=0.045 g L⁻¹；相对预测偏差RPD=5.598），而核方法通过稀疏正则化特征实现了稳健的岩藻黄质定量分析（R²=0.949，RMSE=1.112 mg L⁻¹，RPD=4.408）。受领域偏移影响，实验室训练模型直接应用于中试规模光生物反应器时精度不足，迁移学习可有效缓解该偏移，仅需10%–20%的最小校正工作量即可恢复预测精度。本研究为微藻源生物制品的质量控制与工艺优化提供了一种具备工业化应用可行性的分析工具。
