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 108 条结果
-
基于机器学习优先级排序的水产食品中抗生素残留研究：揭示由 BCL2 介导的、暴露驱动的基因毒性风险
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Huangqu Zhu, Kaili Zhou, Yuanzhi Li, Qingqiong Zhou, Mingjun Peng, Xinlan Wu, Xinwu Mao & Qiaoyuan Yang
计算机标签
机器学习/统计学习 模型可解释性 缺陷/异物检测与定位食品标签
其他肉与水产品 暴露评估与风险表征 细胞模型水产食品中的抗生素残留具有基因毒性风险。传统监测仅关注单一残留限量（MRL）达标情况，往往忽略多残留复合累积风险。本研究构建了可解释机器学习（ML）框架，整合监测数据（3719份样品、17种抗生素）并结合机制验证，对2021−2023年广州地区抗生素残留进行风险排序。通过聚类与排序分析暴露水平与计算机模拟危害预测，恩诺沙星、磺胺甲恶唑与3‑氨基‑2‑恶唑烷酮被列为高风险物质，并利用可解释AI（SHAP）解构风险驱动因素。在L‑02肝细胞中，高风险混合物显著降低细胞活力（70.21±7.49%）、提高凋亡率（7.12±2.75%）并诱发DNA损伤（尾DNA% 5.25±1.03%）（均p<0.05）。BCL2过表达可显著缓解该损伤（尾DNA% 2.90±2.65%，p<0.05），证实其作为关键功能介导因子的作用。本研究建立的“从监测到机制”研究流程，为识别机制生物标志物与优先实施食品安全干预措施提供了数据驱动范式，优于传统仅基于合规性的监测模式。
-
机器学习用于理解不同欧洲奶牛农场中农场管理措施与牛奶脂肪酸之间的关系
查看原文
2026
Journal of Dairy Science
中科院一区JCR一区
A. Mouhanna, L. Rey-Cadilhac, M. Berton, R. Eppenstein, M. Gelé, G. Plesch, B. Martin, E. Kowalski, S. Heirbaut, & S. De Smet
计算机标签
随机森林 模型可解释性 定量预测/回归分析 中等规模数据集食品标签
液态乳 营养与生物功能 脂质与脂肪酸牛奶脂肪酸（FA）组成是农场管理和乳制品营养质量的指标。很少有研究通过经过验证的机器学习工作流程，将多国、多样化的观察性农场数据与牛奶脂肪酸的变化联系起来。我们调查了代表广泛生产强度梯度的75个欧洲农场，对季节性合并的散装牛奶样品进行了12种脂肪酸性状的分析，并检查了29项管理实践。一种两阶段的工作流程结合了优化的随机森林（RF）来预测脂肪酸及对管理实践进行排序，并使用条件推断树来可视化管理的协同效应和权衡。RF模型在8个性状上实现了高预测准确性（R² ≥ 0.50）：α-亚麻酸、二十碳五烯酸、二十二碳五烯酸、共轭亚油酸（CLA）、n-6:n-3多不饱和脂肪酸比率、亚油酸、油酸（VA）和支链脂肪酸（BCFA）。条件推断树模型在除VA和BCFA之外的所有性状上具有相当的准确性（R² ≥ 0.50）。在所有模型中，新鲜草料摄入量、玉米青贮和浓缩饲料使用量、存栏量、牧场规模、奶产量以及矿物肥料是主要驱动因素，共同解释了模型中大部分方差。采用低投入、基于牧场策略的农场通常与奶中较低的n-6:n-3多不饱和脂肪酸比值和较高的n-3多不饱和脂肪酸、共轭亚油酸（CLA）及支链脂肪酸（BCFA）相关，强调了生产强度与营养质量之间的协同效应及权衡。虽然这一特征与有利的健康结果相关，并有助于满足膳食推荐，但仍需进一步针对性验证，以确认其在不同乳制品生产背景下的普遍性和适应性。
-
基于多维视觉特征和CNNs-SHAP的云南阿拉比卡咖啡豆烘焙程度识别及可解释性分析
查看原文
2026
Food Chemistry
中科院一区JCR一区
Siheng Lu, Jing Zhao, Qian Qin, Wenxuan Deng, Yue Yu, Yue Huang, Ming Li, Hao Dong, & Zhanming Li
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/视频数据食品标签
咖啡饮料 传统热加工 颜色与外观品质 显微与成像技术本研究通过加权融合CIE Lab颜色直方图、灰度共生矩阵-局部二值模式复合纹理和形态学参数，提取了云南阿拉比卡咖啡豆特征，旨在实现精确的烘焙度识别和透明决策。卷积神经网络的表现优于所有其他模型，准确率最高。随后进行的SHapley加性解释分析表明，关键特征与预测输出呈显著强负线性相关；负向贡献在浅焙样品中占主导，而强正向贡献在深焙样品中占主导。外部验证结果显示，深焙样品的准确率达到100.0%，浅焙样品为91.5%，中焙样品为93.8%。所提议的智能系统实现了自动图像采集、特征提取和推理，并支持与企业资源计划系统的连接以进行数据可追溯。本研究打破了深度学习的黑箱限制，为咖啡烘焙标准化提供了一种精确且可解释的技术。
-
人工智能驱动的主粮地理来源真实性数字化整合的进展：基于组学的分子和元素策略
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Xinyi Tian, Daobing Wang, Yang Yang, Chunmin Ma, Yue Xu, Xinyu Xu, Guang Zhang, Bing Wang, Jiawang Wang, Bin Tan, Ying Liu, Na Zhang, & Qiding Zhong
计算机标签
机器学习/统计学习 模型可解释性 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据食品标签
谷物/块根/豆与坚果类 其他安全问题 光谱/色谱/质谱等分析方法 代谢组学 矿物质与微量元素背景：主食作物的地理来源真实性在复杂的全球供应链中，对于公平贸易、食品安全和监管执行越来越重要。快速的光谱学和基于DNA的方法对于筛查或品种鉴定非常有用，但通常缺乏进行高精度来源追溯所需的环境特异性。基于质谱的同位素组学、元素组学和代谢组学通过捕捉气候、水文、地球化学和生物化学特征，提供了互补证据。范围和方法：本综述总结了近期在主食作物及其衍生产品地理来源认证中应用的同位素比率分析、多元素分析和代谢物指纹分析的研究进展。它进一步评估了化学计量学、机器学习、深度学习、数据层、特征层和决策层融合，以及包括区块链、物联网和数字孪生在内的数字技术在多组学数据集中的应用。还讨论了分析质量保证、模型验证、可转移性以及分层监管实施。主要发现和结论：同位素组学提供了与气候和水有关的标志物，元素组学记录地质背景及土壤到植物的矿物质转移，代谢组学揭示了环境调控的表型反应。这些组学层共同形成多层次的产地标志物，将作物的来源与环境和生化机制联系起来。人工智能（AI）驱动的融合可以提高对相邻区域、加工产品和混合来源样本的区分能力，但过拟合、有限的多年数据集、外部验证不足、基质效应以及缺乏标准化仍然是主要障碍。未来的进展需要统一的操作规程、参考材料、不确定性评估、可解释的人工智能、可互操作的数据库以及数字化的监管链系统。结合快速筛查与确认性组学分析的分层策略可能提高监管可行性和全球适用性。
-
机器学习驱动的特征风味物质筛选：超高压处理对藏鸡汤风味的影响研究
查看原文
2026
Food Research International
中科院一区JCR一区
Kai Dong, Xinyuan Huang, Yingmei Wu, Guofeng Jin, Yufang Guan, Hongbo Song, Fengping An, Xin Li, Erhao Zhang & Qun Huang
计算机标签
随机森林 模型可解释性 分类/鉴别/等级评定食品标签
禽肉 非热加工技术 特征风味 常规理化指标测定 光谱/色谱/质谱等分析方法 其他理化与结构表征鸡汤的工业化生产一直是一项长期存在的难题，这凸显了探寻合适的可持续加工技术的至关重要性。本研究探究了不同超高压（UHP）处理时间（0、5、10和15分钟）对藏鸡汤风味的影响。当处理时间达到10分钟时，肌原纤维蛋白（MP）的溶解度和小片段化指数（MFI）分别提高了66.41%和43.46%。α-螺旋含量显著下降，而β-转角含量则明显上升。这表明鸡肉中的大分子物质得到充分释放，使得鸡汤中的蛋白质、脂肪和糖类等营养物质含量显著升高。随之而来的是，微纳米颗粒（MNP）的粒径逐渐增大，引发分层和絮凝等不稳定现象。此外，本研究整合六种机器学习（ML）模型，构建了一种筛选藏鸡汤特征风味化合物的新策略。在这些模型中，随机森林（RF）模型取得了最高的曲线下面积值（AUC=0.861），且中位残差相对较小，展现出优异的分类与预测能力。同时，其SHAP（沙普利加性解释）分析结果显示，己醛、2-戊基呋喃、1-辛烯-3-醇和硬脂酸是构成藏鸡汤风味特征的关键物质。5'-肌苷酸（5′-IMP）和谷氨酸（Glu）在多个模型中均被确定为关键特征，凸显了它们在藏鸡汤风味中的重要作用。这些成分共同赋予了该鸡汤独特的口感。
