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 2456 条结果
-
DART-HRMS 结合机器学习用于山茶油掺假的快速检测
查看原文
2026
Food Control
中科院一区JCR一区
Ting Liu, Binfeng Zhang, Zhanwei Yang, Lecheng Shen, Yuancong Zhang, Wenchao Tang, Mei Wang, & Jing Li
计算机标签
卷积神经网络 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
玉米 豆类与坚果（及籽类） 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法针对山茶油易发生掺假以及传统检测方法存在局限的问题，本研究首次将深度学习与实时直接分析高分辨质谱（DART-HRMS）结合，用于山茶油掺假的快速、无损、准确鉴别和定量。研究基于 DART-HRMS 分析纯山茶油、四种植物油（大豆油、玉米油、葵花籽油和橄榄油）及其掺假混合物所得质谱数据，构建高维特征向量，并采用主成分分析（PCA）和统一流形逼近与投影（UMAP）进行降维，形成三类特征数据集。在此基础上建立二分类、多分类和定量模型，系统比较逻辑回归、随机森林、支持向量机、XGBoost 和卷积神经网络等算法，并考察不同降维方法对模型性能的影响。结果表明，降维方法会显著影响模型表现：UMAP 提升了随机森林和 XGBoost 等树模型性能，但降低了支持向量机和逻辑回归等线性模型表现；PCA 通常导致整体性能下降。所有模型中，基于未降维特征训练的 CNN 表现最佳，二分类和多分类准确率分别为 98.95% 和 98.46%，定量检测也取得优良结果（R2P = 0.9920，RMSEP = 2.6%）。研究证明，DART-HRMS 结合卷积神经网络可可靠检测和定量山茶油掺假，为真实性鉴别提供有效技术手段。
-
用于红辣椒粉掺假检测的深度神经网络：食品质量4.0的支柱
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Dilpreet Singh Brar, Birmohan Singh, & Vikas Nanda
计算机标签
卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
其他果蔬制品/植物类 其他安全问题 品质、结构与理化性质 显微与成像技术红辣椒粉（rcP）是一种用途广泛的香料，由于其独特的辛辣特性和红色，全球各种烹饪产品中均有应用。市场需求较高使这种香料容易受到不道德掺杂的影响，因此其质量评估至关重要。计算机视觉在食品掺假检测中的非破坏性应用因其稳健性和可行性，一直吸引着研究人员和行业关注。随着食品质量4.0和人工智能时代的到来，本研究采用基于一维卷积神经网络（1D-CNN）和二维卷积神经网络（2D-CNN）模型的方法来检测rcP的掺假情况。性能评估指标用于分析这些模型的效率。基于Lab色彩空间的直方图特征在1D-CNN模型（BS-40，Epoch 100）上的训练显示准确率为84.56%。另一方面，2D-CNN模型DenseNet-121（adamW和BS-30）的测试准确率也为84.62%。根据本研究的观察，可以得出结论，CNN模型可以成为解决食品质量评估中掺假检测问题的有前景的工具。此外，可以开发基于物联网的系统，帮助工业和政府机构监控rcP的质量，以应对食品掺假行为。
-
从视觉感知到数字化评估：基于智能手机的比色和荧光传感食品新鲜度监测综述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jingwen Li, Xinjia Zhou, Xiaoli Qin, Xiong Liu, & Jinfeng Zhong
计算机标签
智能手机/其他 深度学习 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
货架期预测与品质劣变动力学 过程监测与在线检测 显微与成像技术背景：微生物生长、酶促反应和化学氧化是食品变质的主要驱动因素，会影响产品的质量和保质期。传统的实验室方法受限于便携性差和分析时间长。视觉传感器能够实现实时的新鲜度监测。然而，这些方法常常缺乏精确的定量能力。基于智能手机的光学平台将主观视觉评估与精确定量分析结合起来，作为有效的分析工具。范围和方法：本综述批判性地审视了促使食品新鲜度评估从定性向定量转变的相关技术。重点关注利用比色和荧光响应材料的信号生成机制、图像处理流程，以及建立用于高精度定量的机器学习算法。此外，综述还批判性地讨论了传感系统的物理集成、在实际食品基质中的验证，以及与设备间差异性和环境异质性相关的挑战。主要发现和结论：基于智能手机的便携式检测设备已发展为一种复杂的分析平台，能够将主观的视觉信号转化为客观指标。先进的功能光学材料（如金属有机框架、聚集诱导发光探针）结合基于智能手机的成像算法，显著提高了灵敏度和可靠性。深度学习的整合代表了在复杂腐败标志物的自动化、非破坏性识别方面的重大进展。最终，通用校准方法的开发以及传感器与物联网的整合被强调为食品供应链数字化转型的关键。
-
人工智能在奶酪制造中的应用：技术、应用及未来前景的综合评述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Nuo Xu, Biqi Liu, Renyi Geng, Yu Zhang, Xinyan Yang, Wei Zhang, Bo Qu, Ling Guo, & Yujun Jiang
计算机标签
大语言模型 深度学习 过程控制与实时优化 多模态/融合数据食品标签
奶酪 加工与新加工技术 品质、结构与理化性质 食品安全与风险评估 发酵工艺与动力学背景：奶酪作为一种发酵乳制品，其生产过程复杂，包括牛奶标准化、巴氏杀菌、发酵、凝乳、成熟和包装。这些过程需要对关键参数如pH值、温度、时间和微生物活性进行精确控制，而传统方法通常难以在效率和一致性之间取得平衡。近年来，人工智能（AI）在食品加工中的整合显示出优化整个奶酪生产链的巨大潜力，从配方设计到安全保障和质量控制。范围与方法：本综述首先概述了关键AI技术，包括数据采集、数据预处理、机器学习（ML）、深度学习（DL）、自然语言处理（NLP）和大语言模型（LLMs）。然后系统地分析了人工智能在奶酪生产链中的当前应用和挑战，涵盖原材料检测、配方优化、过程控制、质量评估和包装。此外，还讨论了基于人工智能的奶酪生产和质量管理的转型路径，以及未来的前景。关键发现和结论：结果表明，人工智能能够对生产过程中关键参数进行实时监控和智能控制。在实验室条件下，该方法表现尤为出色，超过一半的研究报告分类准确率超过90%，回归模型的R²值超过0.9。然而，在实际工业应用中仍面临挑战，包括可推广性有限、实施成本高和可解释性差。未来在多模态整合、边缘智能、人机协作和绿色制造方面的进展，预计将推动奶酪行业迈向定制化、低碳化和完全智能化的生产系统。
-
用于食品过敏原检测的微流控生物传感器平台：应对加工引起的复杂性和日益增加的过敏风险
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jiahui Li, Chaoting Wen, Huan Li, Jinru Zhou, Shandong Wu, Yi Sun, Yi Liu, Zhoujie Wu, Aiqian Ye, & Linglin Fu
计算机标签
机器学习/统计学习 缺陷/异物检测与定位 时序传感器/物联网数据食品标签
过敏原与毒性问题 光谱/色谱/质谱等分析方法 蛋白质与氨基酸背景：食品加工的进步（例如高温/高压处理、超加工）显著增加了食品过敏原的复杂性，包括多种过敏原的共存、已知过敏原的可检测性降低、意外过敏原的出现以及促进敏感化的晚期糖基化终产物（AGEs）的产生。临床上已识别出对160多种食品的过敏反应；而欧洲2012至2021年的食品敏感化率达到17.4%（特异性IgE），临床确诊过敏率为2.9%。传统检测方法（如ELISA、PCR和质谱）受制于耗时的预处理、高成本、低通量以及检测意外过敏原的困难，无法满足现代食品工业对"实时监控、意外风险早期预警和高通量筛查"的需求。范围和方法：本文综述聚焦微流控生物传感器平台。首先详细介绍其技术特性：微流控芯片通过精确的微通道设计（如之字形混合区、抗体包被微球）实现固液分离、高效混合、微量富集、高通量多指标检测、集成便携性以及自动化实时监测。集成生物传感器（电化学、光学、压电）通过特异性识别元件（抗体、适配体）实现对过敏原的准确识别和定量。综述进一步分析了该平台的应用（高灵敏度单样本/单目标检测、高通量多样本/多指标检测）并探讨了加工引起的过敏原致敏性变化及相应的检测策略。主要发现和结论：微流控生物传感器平台有效解决了与加工相关的过敏原检测挑战：微通道设计简化了复杂基质预处理，并大幅减少了试剂消耗；通过捕获元件和连续流的富集显著降低了痕量过敏原检测限；多通道阵列可同时筛查10种以上的过敏原；此外，高度可编程的自动化集成策略便于分离、筛查和识别意外过敏原。尽管目前存在一些问题（高消耗品成本、标准化滞后），与工业自动化和人工智能的整合将在生产线实时监测、市场监管标签验证以及便携式家庭检测等场景中释放巨大潜力。最终，该平台为保障过敏人群的食品安全和公共健康提供关键的技术支持，推动食品过敏原检测朝着高效、精确和便携的方向发展。
