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
-
材料创新与人工智能驱动的果蔬精准保鲜智能包装：应用与未来趋势
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Haiyu Du, Yuqian Jiang, Aliya Simayi, Chaozhe Li, Yuanyuan Liu, Yongqiang Wen & Yao Tang
计算机标签
机器学习/统计学习 深度学习 设计/生成与推荐 过程控制与实时优化食品标签
水果/蔬菜与菌菇类/植物类 生物基/可降解材料 货架期预测与品质劣变动力学 包装设计与机械性能 智能/指示型包装 其他可持续性主题背景：采后果蔬极易因成熟衰老、呼吸代谢和微生物感染而发生品质劣变和腐败。这些问题不仅造成巨大的经济损失，还增加了食源性疾病的风险。尽管传统包装能对腐败因素提供基本的物理防护，但它受限于生物降解性差、功效固定以及可调性不足等问题，无法满足绿色可持续发展和高品质保鲜的多重需求。
范围与方法：为解决这些局限性并超越被动防护，针对采后果蔬生理和病理特性量身定制的智能包装为延长货架期提供了创新解决方案。基于对这些特性的精准理解，智能包装技术通过调控导致品质劣变的关键因素（包括大气失衡、乙烯诱导的成熟、温湿度波动以及微生物增殖）来实现精准保鲜。同时，人工智能（AI）进一步推动了智能包装的设计与应用发展，作为一种强大工具，它加速了从传统试错设计向预测性的计算机模拟材料开发的转变。本综述系统地呈现了当前的研究进展，重点介绍了根据果蔬特性设计包装的策略以及AI的实施路径。此外，综述还全面探讨了推进包装系统发展的设计框架、面临的挑战及潜在的解决办法。
主要发现与结论：智能包装能够根据农产品的特性实现精准保鲜，推动保鲜包装从被动防护向智能感知、动态调控和绿色再生转变。此外，可融入仿生材料、AI技术、供应链监测和生物降解性评估等创新方法，以开发更符合市场需求的新型保鲜包装材料。 -
基于近红外光谱和数据增强的脐橙可溶性固形物在线分选非线性分类方法
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
Shaohui Yu, & Jing Liu
计算机标签
深度学习 定量预测/回归分析 红外/拉曼光谱数据 合成/仿真数据为主食品标签
新鲜水果 品质、结构与理化性质 过程监测与在线检测 光谱/色谱/质谱等分析方法 传统统计分析与回归 碳水化合物与糖类近红外光谱作为一种无损检测方法，在果实品质评价与分选中显示出重要应用潜力。然而，在线水果分选过程中，多种因素会影响分选准确率。针对在线分选中样本量有限、品质异质性以及检测指标与光谱数据之间复杂非线性关系等问题，本文提出一种基于可溶性固形物含量（SSC）的脐橙在线分选数据增强方法，融合误差率和概率质量加权。首先对 SSC 进行聚类分析，并引入 R2 统计量和肘部法则确定最优聚类数。训练集和测试集采用 Monte Carlo 随机采样方法划分。随后，将经过移动平均平滑处理的光谱数据纳入训练集，形成增强样本集。进一步结合训练集样本的概率质量和误差率构建样本权重系数。最后，使用增强后的训练集通过三层神经网络建立分类模型。多次实验结果表明，该方法显著提升了在线分选数据的分类性能，分类准确率超过 90%。
-
生物技术邂逅人工智能：加速食品生物制造的新一代微生物育种
查看原文
2026
Food Research International
中科院一区JCR一区
Youming Tan, Haojie Ni, Tong Wu, Wenlu Li, Hong Zeng & Yanbo Wang
计算机标签
机器学习/统计学习 深度学习 大语言模型 设计/生成与推荐食品标签
其他加工技术 过程优化与控制策略 其他过程控制与数字化研究 菌种筛选与特性评价 基因组学培育具有优良性状的微生物已成为应对人口增长、环境压力等全球性挑战，实现高效、可持续食品生物制造的关键策略。新一代微生物育种通过融合先进生物技术与人工智能（AI），正朝着更高效、更精准、更智能的方向发展。具体而言，常压室温等离子体（ARTP）诱变与空间诱变均已被证实能够诱导产生多样且独特的微生物表型。合成生物学进一步拓展了生物合成潜力，在功能性食品组分的生产中发挥着重要作用。与此同时，将人工智能（尤其是蛋白质语言模型等新兴生物模型）融入“设计-构建-测试-学习”循环，可提升预测建模水平、实现数据驱动优化，并推动菌株工程的部分自动化进程。生物技术与人工智能的融合正在加速微生物育种发展，助力食品生物制造，为构建可持续、智能化的全球食品体系奠定基础。
-
蜂蜜鉴定与可追溯性的发展：从传统检测方法到整合多组学和机器/深度学习的智能系统，用于可持续养蜂
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Yingran Tang, Yuying Zhu, Enning Zhou, Gang Chen, Liming Wu, & Qiangqiang Li
计算机标签
深度学习 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
蜂蜜等天然糖 其他安全问题 光谱/色谱/质谱等分析方法 标准/法规/数据库分析背景：蜂蜜的鉴定和可追溯性对于确保全球养蜂行业的产品完整性和消费者信任至关重要。鉴定主要关注检测故意欺诈行为，如糖浆掺假、水稀释和劣质蜂蜜混合，这些行为直接破坏了产品的质量和安全性。相比之下，可追溯性旨在验证和确认蜂蜜所声明的植物来源、地理来源和昆虫来源，这对于质量区分、受保护的命名以及供应链透明度至关重要。传统的单一维度分析技术，如蜜粉学和同位素比质谱，在应对日益复杂的欺诈行为和复杂验证需求方面存在局限性，这就需要更强大、集成的解决方案。范围与方法：本综述系统地检视了自2015年以来蜂蜜鉴定与可追溯性的方法学演变。在鉴定方面，详述了从靶向检测方法向非靶向、智能筛查系统用于欺诈检测的发展过程。在可追溯性方面，概述了从传统形态学和化学分析向数据驱动的产地验证框架的进步。综述强调了向智能系统的范式转变，这些系统将食品多组学与机器学习和深度学习算法结合，能够出色地融合异构数据以实现精确分析。主要发现与结论：分析显示，鉴定与可追溯性各自有不同但互补的技术路径，其发展均 driven by 各自的特定目标。一个关键趋势是多分析数据源与先进计算模型的融合，以创建更强大和更具适应性的系统。未来的进展取决于克服与数据标准化、模型可解释性和实际部署相关的挑战。开发下一代集成框架对于增强消费者信任、确保合规以及促进养蜂业的长期可持续性具有战略意义。
-
高光谱成像结合线性和非线性机器学习用于开心果地理来源追溯
查看原文
2026
Food Control
中科院一区JCR一区
Chiara Cevoli, Marco Mingrone, & Angelo Fabbri
计算机标签
深度学习 偏最小二乘法 定量预测/回归分析 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
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 显微与成像技术鉴别开心果地理来源对于保护布龙特绿开心果等优质原产地保护品种免受欺诈至关重要。本研究考察可见/近红外高光谱成像结合化学计量学和机器学习方法区分不同地理来源开心果的潜力。研究分析了来自伊朗、美国加州、土耳其以及意大利西西里布龙特和非布龙特地区的可追溯开心果样品，样品形态包括整粒果仁、散装样品和研磨粉末，并使用 400-1000 nm 高光谱成像系统采集数据。光谱数据采用偏最小二乘判别分析和多层感知机人工神经网络处理。PLS-DA 在四个产地间取得较高判别能力，散装和粉末样品测试集总体准确率超过 98%，单粒果仁准确率略低，为 86%。MLP-ANN 模型也证实了较高预测潜力，准确率相近并超过 90%，研磨样品最高可达 100%。在聚焦布龙特与非布龙特西西里开心果二分类时，尽管两组高度相似，PLS-DA 仍能在散装/粉末样品上实现满意区分，对布龙特和非布龙特开心果的分类准确率分别为 100% 和 97%，但不适用于单粒果仁。像素级分类图展示了空间分辨产地预测的可行性。结果表明，该方法在坚果行业实验室质量控制和追溯应用中具有良好潜力。
