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 712 条结果
-
通过数据驱动探索组合突变空间实现 (R)-转氨酶 AcTA 活性与热稳定性协同进化
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Lei Xing, Weixian Luo, Xinxin Zhang, Xinwen Liu, & Guochao Xu
计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主食品标签
复合/即食/餐饮食品 营养与生物功能 蛋白质与氨基酸光学活性 (R)-胺是多种农用化学品和食品相关生物活性化合物的重要构件。为构建高效合成 (R)-胺的生物催化路线，研究通过计算指导虚拟筛选鉴定出来自 Aspergillus caelatus 的高性能 (R)-转氨酶 AcTA。研究进一步利用定向进化和机器学习的优势，开发了组合突变数据驱动探索框架 DECM，用于在全局组合突变景观中协同优化活性和热稳定性。共实验测试 25 个组合变体，其中 18 个相较野生型性能提升。变体 M3（H113F/V145C/T272S）的 kcat/KM 提高 5.6 倍，在 40 °C 下半衰期延长 10.2 倍，并可在 45 °C 下实现超过 98.0% 的转化率。分子动力学模拟提供了 M3 活性和热稳定性增强的结构证据。结果证明 DECM 可有效探索组合突变并加速定向进化。
-
推进数字深度：面向采后食品供应链质量管理的 AI 增强三维重建
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Yuqiao Ren, Tong Lei, Weihao Meng, Da-Wen Sun, & Dimitrios Argyropoulos
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据食品标签
新鲜蔬菜 品质、结构与理化性质 加工与新加工技术 显微与成像技术传统基于计算机视觉的质量感知缺乏深度信息，限制了其在采后供应链可靠食品质量管理中的应用。三维重建技术能够捕获详细的表面几何信息和内部结构信息，用于可靠的无损质量检测。结合新兴人工智能技术，基于三维数据的自适应管理为下一代采后质量管理带来潜力。本综述分析了 2015-2025 年期间 90 篇主要相关研究，涵盖高通量三维在线检测、高分辨率断层成像、便携式三维传感以及 AI 驱动三维重建技术。采后供应链应用场景主要分布于采后处理（33 篇）、制造（29 篇）、配送（15 篇）和消费（13 篇）。其中，水果和蔬菜产品研究最为集中，突出了三维重建在此类产品中的适用性和潜在优势。此外，多种三维重建技术已在采后评价中得到验证，其中 X 射线 CT 在采后处理、制造和配送环节占主导地位，便携式 RGB 成像设备则在消费环节应用最为突出。相关三维重建分析正从几何驱动转向 AI 增强分析与管理，显示出三维重建技术在智能化、可追溯和可持续采后供应链质量管理中的作用日益增强。未来，通过整合数字孪生、物联网和区块链技术，有望在全球食品供应链中构建透明、防篡改的质量追溯与控制系统。
-
低血糖指数食品：健康影响、影响因素及创新设计策略的综合综述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Tianyi Yuan, Wenwen Yu, & Yitao Chen
计算机标签
机器学习/统计学习 设计/生成与推荐食品标签
血糖、血脂与代谢相关功能 营养与生物功能 碳水化合物与糖类背景：代谢性疾病在全球的流行迫切需要有效的饮食干预。血糖生成指数（GI）是一个关键的营养工具，用于根据餐后血糖反应（PPGR）对富含碳水化合物的食品进行分类，但其应用在变异性和预测准确性方面面临挑战。范围与方法：本综述对GI概念进行了全面而批判性的评估。系统地审查了影响GI值的因素，从食品微观结构和加工方式到个体生理差异，并探讨了传统测量方法的局限性。文章进一步综合了开发低GI食品的策略，并评估了新兴数字技术在推进该领域中的作用。主要发现与结论：证据强有力地支持低GI饮食对代谢健康的益处。然而，血糖反应并不是食品的固有特性，而是受到食品基质以及个体间显著差异的深刻调控，这些差异主要由肠道微生物群和代谢表型驱动。为克服这些复杂性，将人工智能与先进的体外模型相结合，为血糖生成指数（GI）的准确预测提供了有希望的途径。GI应用的未来在于个性化营养，通过连续血糖监测和数据驱动的框架，将这一生理概念转化为有效的公共健康策略和功能性食品创新。因此，本综述提供了从基础食品科学到实际应用的关键桥梁，将GI定位为个性化营养和新一代功能性食品设计的动态工具。
-
天然着色传统中国淀粉的形态学表征及基于机器学习的高光谱鉴定
查看原文
2026
Food Chemistry
中科院一区JCR一区
Zhiwei Wan, Chenghao Zhang, Xuewen He, Yuanwei Tang, Liangyu Xia, Xiujuan Li, Chenhua Liao, & Liping Liu
计算机标签
机器学习/统计学习 支持向量机 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 高光谱/多光谱光谱 可见光/RGB/视频数据食品标签
碳水化合物配料 食品安全与风险评估 其他安全问题 常规理化指标测定 显微与成像技术 光谱/色谱/质谱等分析方法 碳水化合物与糖类作为一种非物质文化遗产，由天然着色传统淀粉制成的食品产品由于染色淀粉掺假而面临市场信任危机。本研究旨在开发一个综合识别系统，以区分天然着色淀粉和商业作物淀粉。实验设计结合了形态学、比色法和彩色光谱分析。数据使用机器学习算法进行处理，并通过五折交叉验证评估模型性能。结果显示颗粒形态存在显著差异，平均尺寸分别为 19.86 μm（鱼腥草淀粉）、26.41 μm（姜黄淀粉）、27.29 μm（金薯淀粉）和 18.26 μm（青冈栎淀粉）。从色度学上看，天然着色的淀粉分布在紫红色、黄色和棕色区域，而商业作物淀粉则集中在白色区域。主成分分析显示，前三个主成分分别占方差的92.71%、2.32%和2.10%，累计解释了97.13%的方差。使用基于机器学习的方法，支持向量机（SVM）模型实现了完美准确率（100%），优于随机森林（94.52%）和人工神经网络（99.60%）模型。这种多技术融合系统为鉴定和保护非物质文化遗产食品提供了一种无损、高效且实用的解决方案。
-
面向食品行业的人工智能驱动精密蛋白酶工程
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Rina Wu, Jinyu Zhou, Wang Han, Junrui Wu, & Zhishen Mu
计算机标签
机器学习/统计学习 设计/生成与推荐 组学数据 合成/仿真数据为主食品标签
加工与新加工技术 蛋白质与氨基酸在传统蛋白酶障碍方面的进展，蛋白酶工程的新前沿，包括高效设计定制变体。现代酶工程的一个核心挑战是设计高度高效且适合特定工业应用的蛋白酶。人工智能（AI）现在为这些问题提供了强有力的解决方案。通过整合已建立的策略，如定向进化和理性设计，AI分析酶结构和预测突变结果的能力大大增强了蛋白酶的稳定性和适应性。这种协同作用不仅限于优化，还能够实现新型蛋白酶的从零设计。本综述概述了该能力在食品工业中的重要性，因为以人工智能驱动的设计为更安全、更可持续的生产方法铺平了道路，以满足精确食品生产的需求。这些创新共同代表了提升工业蛋白酶性能和实现可持续生产的重要进展。下一前沿可能涉及人工智能与多组学数据的深度整合，这是拓展蛋白酶应用和改善生物技术食品产品营养质量的必要步骤。多组学与人工智能引导的de novo设计的结合拓展了蛋白酶在食品生物技术中的应用，应对工业流程不断变化的需求，同时提升食品质量和营养价值。
