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
-
从被动包装到具备自我感知的包装：灵活的传感器与人工智能集成助力智能、可持续的食品包装
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Zhixin Jia, Hongwei Hou, Huan Chen, Yaning Fu, Wenjun Mu, Xinting Yang & Jingbin Zhang
计算机标签
机器学习/统计学习 卷积神经网络 循环神经网络 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 时序传感器/物联网数据 多模态/融合数据食品标签
智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链背景：全球农业食品领域在确保食品质量、安全和可持续性方面面临着长期挑战。传统包装仅起到被动阻隔的作用，无法实时监测食品的物理化学或微生物变化。这一局限性使得人们不得不依赖保守的保质期，进而导致大量食品浪费。智能交互包装通过检测和传递食品的动态状况来解决这些问题。
范围与方法：本综述对柔性传感器材料（包括导电聚合物和碳基纳米材料）及其与无线通信系统和能量收集技术的集成进行了批判性评估。它还评估了用于新鲜度评分和保质期预测的机器学习驱动的人工智能（AI）方法。通过涉及传感器贴片、嵌入式薄膜、物流优化和消费者界面的案例研究，对实际应用进行了综述。
主要发现与结论：柔性传感器能够在毫米尺度上监测温度、湿度、气体、pH值和微生物代谢物，而卷对卷印刷技术支持将其大规模集成到包装中。人工智能驱动的流程处理多模态传感器数据，以生成新鲜度评分、估计保质期并检测异常。这些系统采用回归模型、树基模型以及通过可解释人工智能技术增强的卷积神经网络和循环神经网络。传感器贴片、嵌入式薄膜和人工智能驱动的物流的实际应用已实现了食品腐败的减少。尽管取得了这些进展，但在解决传感器漂移、实现能量自主（即通过车载能量收集和管理实现独立运行的系统）、确保材料循环性以及满足监管要求方面仍存在挑战。未来的工作应侧重于整合自修复材料、改进能量收集、可生物降解电子器件和人机交互，以实现可持续的自主智能包装系统。 -
可解释的人工智能驱动的多维化学指纹用于芡实的地理认证
查看原文
2025
npj Science of Food
中科院一区JCR一区
Daixin Yu, Cheng Qu, Jing Nie, Pei Wen, Yuyang Zhao, Caiyan Dai, Hui Yan, Yuwei Yuan & Qinan Wu
计算机标签
梯度提升决策树 模型可解释性 分类/鉴别/等级评定 质构/流变/感官数据食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法芡实（Euryales Semen, ES）是亚洲一种重要的水生食品，其品质和价格因地理起源而异。为确保芡实的真实性，成功开发了一种结合稳定同位素、多元素和淀粉组成以及可解释算法的溯源策略。结果表明，不同产区的芡实呈现不同的化学指纹图谱。引入基于树的智能算法进行分类，其中轻梯度提升机（LightGBM）实现了最高准确率97.67%。Shapley加法解释（SHAP）用于解释LightGBM输出的特征影响。值得注意的是，排名前10的重要变量，包括Na、V、Ba、Sb、Cu、Ti、Mn、%N、直链淀粉和直链淀粉与支链淀粉比值（SHAP值>1.0），被选为关键因子。此外，环境因素与这些关键变量显著相关（ρ<0.05）。总体而言，本研究为芡实或其他水生作物的地理起源溯源提供了一种有效策略。
-
基于改进的条件互信息最大化和SHAP分析的玉米粗脂肪含量预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Haichao Zhou, Xiaodan Ma, Haiou Guan, Jiao Yang, Bingxue Wei, Yifei Zhang & Yuxin Lu
计算机标签
偏最小二乘法 支持向量机 模型可解释性 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据 公开数据集食品标签
玉米 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸传统的条件互信息最大化（CMIM）算法难以捕捉连续近红外（NIR）光谱分析中的非线性依赖关系。因此，本研究提出了一种将改进的CMIM与SHAP相结合的新框架，用于玉米粗脂肪含量的快速预测。创新性地用连续变量估计和两阶段过滤-包裹特征选择取代了离散化处理。CMIM_KDE方法在偏最小二乘回归（PLSR）和支持向量回归（SVR）模型中分别获得了0.7618和0.7531的预测决定系数（R²p），与其他改进策略相比，平均提升了6.18%和4.42%。此外，SHAP分析表明，筛选出的5684 cm⁻¹和4312 cm⁻¹左右的特征波数与玉米中的C—H基团相关。该方法的有效性和泛化能力在公开数据集上得到了验证。本研究解决了传统CMIM方法在近红外光谱分析中的适用性瓶颈，可为其他农产品的质量检测以及低空遥感和实时在线预测提供技术支持。
-
整合数字图像分析、闪蒸气相色谱电子鼻及SHAP驱动的可解释深度学习用于陈皮的无损陈化评估
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Yongheng Yan, Ruijie Xu, Zhiyu Zhao, Tingting Gao, Guangyi Shao, Xindi Lu, Chaozhi Wei & Xuezhen Zhao
计算机标签
偏最小二乘法 随机森林 卷积神经网络 循环神经网络 模型可解释性 分类/鉴别/等级评定 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 质构/流变/感官数据食品标签
其他果蔬制品/植物类 颜色与外观品质 特征风味 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本研究提出了一种新颖的无损检测方法，通过整合数字图像和闪蒸气相色谱电子鼻（GC电子鼻）来评估陈皮（CRP）的陈化时间和品质。研究采用数字成像技术提取颜色特征和纹理特征，同时利用自主研发的一维卷积神经网络-门控循环单元（1D-CNN-GRU-注意力机制）深度学习模型，对陈化0至12年的陈皮样品实现了98.19%的优异分类准确率。沙普利可加解释（SHAP）分析通过识别影响分类的关键颜色和纹理属性，提高了模型的透明度。闪蒸气相色谱电子鼻识别出33种挥发性化合物，且套索（Lasso）模型和随机森林（RF）模型确定了7种与陈化相关的关键香气标志物。此外，偏最小二乘回归（PLSR）模型表明，图像特征与主要化学成分（总黄酮、酚酸和（+）-柠檬烯）之间存在强相关性。该方法克服了传统方法的局限性，为无损品质评估提供了一个可解释的框架。
-
整合非靶向质谱和机器学习对有机与常规种植农产品进行分类：以番茄为例
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Xiao Yun, Xiaoxiao Han, Xin Zhang, Wenxiao Pan, Qiao Xue, Xian Liu, Jianjie Fu, Richard Röttger, & Aiqian Zhang
计算机标签
机器学习/统计学习 模型可解释性 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
新鲜蔬菜 食品安全与风险评估 光谱/色谱/质谱等分析方法有机农产品需求上升使其真实性验证成为关键问题。传统基于全扫描高分辨质谱数据的分类方法通常强调特征选择，可能造成信息损失并限制模型稳健性。本研究开发了一个基于人工智能的分类框架，利用质谱数据区分有机和常规种植农产品，并以番茄为代表案例。该方法结合 1000 个质荷比（m/z）分箱和自适应提升模型，取得较高预测性能，受试者工作特征曲线下面积超过 0.990，准确率达到 0.997。除模型性能外，研究还通过基于 SHAP 的重要性分析增强可解释性，并对关键 m/z 片段进行结构注释。结果显示，赤霉素 A4 和 (Z)-白藜芦醇可作为有机种植番茄的潜在化学标志物。该框架能够识别与不同栽培方式相关且具有化学意义的离子，为有机农产品真实性鉴别提供可扩展、可解释的解决方案。
