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
-
通过不同校正方法和 1D-CNN 提高悬挂输送草莓 SSC 检测准确性
查看原文
2026
Food Control
中科院一区JCR一区
Chen Wang, Yu Qiao, Xiaonan Li, Li Sun, Guangjun Qiu, Ruiyun Zhou, Zhiming Guo, & Jianrong Cai
计算机标签
卷积神经网络 循环神经网络 定量预测/回归分析 红外/拉曼光谱数据 中等规模数据集食品标签
新鲜水果 过程监测与在线检测 光谱/色谱/质谱等分析方法 碳水化合物与糖类悬挂输送草莓的在线可溶性固形物含量检测会受到果实尺寸、悬挂高度和内部 SSC 分布差异的影响，从而降低光谱预测准确性。本研究针对悬挂输送系统中的草莓 Vis/NIR 在线 SSC 检测，开发了校正策略和深度学习模型。研究利用视觉模块实时监测果实尺寸和悬挂高度，并采用等效圆校正和弦长校正修正光程效应。实验使用 212 个红颜草莓，其中 192 个用于建模，20 个用于评估 SSC 空间分布。经校正和特征选择后，ECC-CCC-CARS-PLSR 模型达到 Rp2 0.916、RMSEP 0.287 °Brix；进一步结合 SSC 空间分布校正后，模型性能提高到 Rp2 0.945、RMSEP 0.229 °Brix。在深度学习模型中，基于原始光谱的 1D-CNN-LSTM 表现最佳，Rp2 为 0.948，RMSEP 为 0.225 °Brix。结果表明，结合视觉校正、光谱校正和深度学习可提高悬挂输送草莓在线 SSC 检测准确性。
-
基于多光散射结合人工神经网络的多酚富含果汁稳定性评估预警模型开发
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Haozhou Huang, Yurou Jiang, Mengqi Li, Youde Zheng, Xiaohong Chen, Li Han, Runchun Xu, Dingkun Zhang, & Junzhi Lin
计算机标签
循环神经网络 定量预测/回归分析 红外/拉曼光谱数据食品标签
果蔬汁/浓缩汁 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法 多酚与黄酮果汁的稳定性一直是食品加工行业中一个重要的关注点，这可能既耗时又昂贵。因此，开发准确的稳定性预警模型可能是一种可行的解决方案。基于多光散射技术，本文在三个月的时间内收集了Triphala果汁的稳定性数据作为训练集，并发现第75天沉淀量达到0.6 mg/mL，由鞣花酸和棕色素组成，溶液的光透过率波动范围为23%-76%，粒径为0.27-0.29 μm。预警模型包括长短期记忆网络与反向传播神经网络模型的协同整合。该模型的平均绝对百分比误差为0.626%，R²为0.911，准确率为85.71%。该模型能够在仅7天内预测包括沉降、透光率、粒径、颗粒迁移率和稳定性指数在内的关键稳定性参数，并在90天周期内提供准确的早期稳定性警报。
-
集成学习：台湾苏丹红掺假高风险产品边境检验预测模型研究
查看原文
2026
Food Control
中科院一区JCR一区
Li-Ya Wu, Wei-Chih Cheng, King-Fu Lin, Jia-Jhen Lee, Wen-Chou Lin, Hsu-Yang Lin, Chia-Yen Lu, & Chih-Kang Chiang
计算机标签
深度学习 随机森林 定量预测/回归分析食品标签
复合/即食/餐饮食品 过敏原与毒性问题苏丹红是一类工业偶氮染料，被列为 3 类致癌物；尽管已被禁用且台湾已建立边境预测智能系统，其仍然是食品安全隐患。针对罕见危害检测中缺乏经过验证模型的问题，本研究开发了一个结合随机森林、朴素贝叶斯和多层感知机并配合合成过采样的集成学习模型。该模型使用 3699 条检验记录训练，并用 700 个真实案例验证，仅抽检 31 批货物即可发现 3 批苏丹红污染批次中的 2 批，命中率为 6.45%，覆盖率为 66.67%，优于 BPIS 的 1/220、0.45% 和 33.33%。统计检验显示该模型具有优势，风险差为 +5.997%，相对风险为 14.19，p = 0.041，贝叶斯后验概率为 99.3%。深度学习提升了预测稳健性，且进口商贸易伙伴关系与苏丹红违规显著相关。该面向特定危害的数据驱动方法提高了检测效率，降低了检验负担，并为基于风险的边境食品安全控制提供了自适应框架。
-
人工智能在食品功能多糖中的应用：过程优化、结构-功能解析与理性设计
查看原文
2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Zhen Cao, Ting Chen, Jiayan Xie, & Jianhua Xie
计算机标签
模型可解释性 设计/生成与推荐 红外/拉曼光谱数据 组学数据食品标签
复合/即食/餐饮食品 肠道健康与微生物相关功能 过程优化与控制策略 光谱/色谱/质谱等分析方法 发酵工艺与动力学 碳水化合物与糖类功能多糖广泛用作食品配料，但其结构高度异质、结构-功能关系不清晰以及试错式生产流程效率低，限制了进一步应用。本文综合阐述 AI 如何重塑面向食品级配料和配方的功能多糖研究，并将近期进展组织为三个阶段：第一是效率放大，机器学习模型可改进提取和发酵优化，并在结合光谱指纹时实现快速分析；第二是机制信息驱动的假设生成，深度 QSAR、图学习和可解释建模开始揭示结构基序与功能性质之间的定量联系，包括与健康相关的微生物组介导效应；第三是设计辅助，AI 支持以精准导向方式开展多糖工程和配方设计，以实现目标食品功能。通过连接计算进展与实验验证，本文为多糖发现提供了整体路线图，并讨论了数据稀缺与标准化、模型泛化性与可解释性、监管接受度等转化障碍，提出 AI 指导多糖发现和应用的实践策略。
-
全基因组测序和机器学习揭示了与李斯特菌在两家冰淇淋工厂中持续存在相关的候选基因组特征
查看原文
2026
International Journal of Food Microbiology
中科院一区JCR一区
Lang Sun, Jun Zhou, You Shen, Xinyi Du, Jinjun Liang, Shuai Chen, & Huayun Jia
计算机标签
随机森林 分类/鉴别/等级评定 组学数据食品标签
冷冻方便食品 微生物安全 基因组学单核细胞增生李斯特菌（Listeria monocytogenes）是导致李斯特病的主要食源性病原体。冰淇淋已经成为L. monocytogenes传播的重要载体，然而关于中国冰淇淋生产环境中菌株持久性描述的基因组数据仍然有限。在本研究中，我们对2016年至2018年间从中国两家冰淇淋生产工厂采集的57株L. monocytogenes分离株进行了全基因组测序（WGS），以表征其群体结构、持久性及相关风险因素。基因组分型显示，II系血清型1/2a序列型（ST）8占主导地位，同时存在I系ST5和ST59。高质量单核苷酸多态性（hqSNP）分析识别出四个特定于工厂的群体，这些群体可持续存在长达一年。持续存在的菌株主要与地面相关的环境生态位有关，而人员流动和移动设备可能促进菌株在设施内的传播。核心毒力基因和某些抗菌素耐药性特征在分离株中得到了保留。可移动遗传元件广泛存在，所有ST8和ST5菌株中均存在应激生存岛1（SSI-1）。随机森林模型显示对持续存在菌株的预测性能较强，并确定SSI-1基因、ST类型和加工区域是与李斯特菌持续存在相关的主要因素。总体而言，这些结果表明在中国的冰淇淋生产环境中建立了持续存在且密切相关的李斯特菌群体，强调了需要针对性环境监测和控制策略。
