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
-
基于几何影响校正与深度学习的高光谱无损检测：水果早期碰伤检测案例
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Wei Tao, Yixiao Wang, Shan Zeng, Bing Li, Chaoxian Liu, & Xiangjun Duan
计算机标签
深度学习 缺陷/异物检测与定位 多模态/融合数据 高光谱/多光谱光谱 可见光/RGB/视频数据食品标签
新鲜水果 微观结构与成像 显微与成像技术高光谱成像能够捕捉组织结构和化学组成变化所引起的光谱差异，因此被广泛用于水果无损检测。然而，水果曲面几何形态的变化常会造成非结构性光谱失真，降低检测精度并限制模型的泛化能力。为减轻光照–几何–光谱耦合的不利影响，本研究提出一种基于本征分解和几何影响校正的水果碰伤检测框架，将高光谱成像与三维（3D）点云数据相融合。首先，从3D点云中提取像素级表面法向量和光照特征，以联合获取光谱与几何信息。随后，设计双分支编码器–解码器网络，将点云提供的几何约束引入模型，并把观测光谱解耦为本征反射率分量和光照分量。最后，利用本征反射率图像构建碰伤检测模型，实现果实表面碰伤区域的像素级识别。实验结果表明，该方法在保持光谱结构一致性的同时，显著提高了碰伤区域的可区分性。与使用原始光谱数据的模型相比，所提方法提高了检测准确率和碰伤区域召回率。该框架为高光谱检测提供了一种基于物理机制的新型解耦方法，并能有效抑制由水果表面几何变化造成的非结构性光谱变化。
-
κ-卡拉胶/KCl 协同调控肌原纤维蛋白凝胶化：利用多模态神经网络解析凝胶结构与苦味掩蔽的内在关联
查看原文
2026
Food Hydrocolloids
中科院一区JCR一区
Rong Huang, Yapeng Fang, Hao Yin, Yu Zhong, Wei Lu, & Yun Deng
计算机标签
深度学习 多模态基础模型 定量预测/回归分析 多模态/融合数据 可见光/RGB/视频数据 质构/流变/感官数据食品标签
肉类/蛋类与水产品 质构与流变性质 微观结构与成像 常规理化指标测定 质构与流变测试 显微与成像技术 蛋白质与氨基酸 盐替代品与其他代谢敏感因子钠摄入过量是全球性的健康挑战，尤其是在加工肉制品中，NaCl 对产品功能特性和风味至关重要。尽管氯化钾（KCl）可用于降低钠含量，但其应用受到苦味和质构损失的限制。对于 κ-卡拉胶（KC）等水胶体如何通过调节微观结构克服上述问题，特别是在复杂蛋白质基质中的作用机制，目前仍缺乏充分认识。本研究在“溶液—凝胶化—凝胶”连续过程中，系统考察了 KCl 与 KC 对肌原纤维蛋白（MP）凝胶化动力学的协同影响。使用 KCl 部分替代 NaCl（替代比例为 10%～50%）使 MP 溶解度降低 2.63%～30.59%，并改变了蛋白质构象。添加 KC 提高了体系的表面疏水性、巯基含量、热稳定性和黏度，同时通过疏水作用和氢键促进 MP 结构展开与聚集。KC 显著提高了凝胶网络密度，使分形维数增至原来的 1.05～1.13 倍、硬度提高 8.94%～20.07%，并使持水能力提高 4.38%～23.21%。通过融合共聚焦激光扫描显微镜（CLSM）图像与理化数据，研究构建了多模态神经网络，可准确预测味觉和质构属性（R²>0.9），并确定水分迁移、分形维数和二硫键是主要影响因素。结果表明，KC 可通过硫酸基介导的结合，使 K⁺ 固定在致密化蛋白质网络中，从而掩蔽 KCl 引起的苦味；该过程在保持咸味感知的同时，有策略地限制了钾离子的释放。该多模态深度学习模型为低钠蛋白质体系的结构—味觉关系提供了前所未有的认识，并为预测和优化重组肉制品的感官品质提供了稳健框架。
-
基于金属有机框架-人工智能整合的智能食品保鲜系统：技术突破与发展趋势
查看原文
2026
Food Chemistry
中科院一区JCR一区
Xin Ding, Nasi Ai, Yiming Zhao, Lingyun Li, Ge Chen, Donghui Xu, Xiaomin Xu, Lin Qin, Jing Chen, & Guangyang Liu
计算机标签
机器学习/统计学习 深度学习 设计/生成与推荐 时序传感器/物联网数据食品标签
保藏与贮藏 包装与智能监测 智能/指示型包装 包装系统中的监测与标签应用智能保存系统结合功能性纳米材料，具有广泛的适用性并呈现良好的发展趋势。金属有机框架（MOFs）是一种新型多孔晶体材料，由于其超高的比表面积、可调孔隙和多功能化特性，表现出卓越的气体吸附、受控释放和环境响应能力。作为新兴纳米材料，MOFs通过与人工智能（AI）技术的结合，在智能食品保存应用中显示出巨大的潜力。它实现了从分子级材料设计到智能终端包装的全面创新，体现出显著的跨学科价值。本文回顾了AI指导的MOFs新型合成策略，并系统性地综述了其结构特征和分类方案。本综述系统地分析了金属有机框架（MOFs）的结构参数--金属离子、孔隙结构和负载能力--如何影响智能保鲜中的抗菌、气体/湿度调控及刺激响应特性。此外，本文还全面回顾了基于MOF的智能食品保鲜的最新进展，同时充分展示了MOF与人工智能整合在下一代智能保鲜技术中的巨大潜力。
-
AI、物联网和区块链在食品微生物分析与安全中的应用进展：综合综述
查看原文
2026
Food Control
中科院一区JCR一区
S. Priyadharsshini, & Samuel Ayofemi Olalekan Adeyeye
计算机标签
深度学习 分类/鉴别/等级评定 高光谱/多光谱光谱 红外/拉曼光谱数据食品标签
复合/即食/餐饮食品 微生物安全 品质、结构与理化性质 显微与成像技术 标准/法规/数据库分析本文综述了人工智能、物联网和区块链技术在微生物分析与食品安全中的应用进展，重点探讨这些技术如何提升微生物检测、可追溯性和食品质量控制。研究系统检索 PubMed、Scopus 和 Web of Science 等数据库，覆盖 2010-2025 年发表的同行评议研究，关键词包括 AI、IoT、blockchain、microbial analysis 和 food safety。最终纳入 92 项研究，筛选标准强调主题相关性、英文文献和实证数据，并排除重复文献、非同行评议来源和不符合要求的研究。综述指出，微生物污染是重要食品安全风险，全球供应链复杂化进一步加剧了这一问题。传统微生物检测方法可靠，但速度慢、劳动强度高，难以满足实时监测需求。AI、物联网和区块链等数字技术为微生物监测提供了更快速、更准确的方案：高光谱成像和深度学习等 AI 工具有助于病原体检测；智能包装和冷链监测等物联网系统可连续监控微生物生长条件；区块链可在供应链中安全、透明地追踪微生物风险和污染事件。这些技术推动微生物风险管理由被动检验转向主动控制。文章同时指出，数据整合、传感器校准、网络安全和监管衔接仍是主要挑战，未来需要发展可扩展的数字化食品安全系统。
-
下一代智能安全食品：人工智能驱动的4D食品预打印挑战应对策略
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Mohammad Ekrami, Behdad Shokrollahi Yancheshmeh, Negar Roshani-Dehlaghi, Nima Mobahi, Zahra Emam-Djomeh & Mohammadamin Mohammadifar
计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 设计/生成与推荐 质构/流变/感官数据食品标签
3D 打印与结构构筑 质构与流变性质 质构与流变测试背景：四维（4D）食品打印是增材制造领域的一项新颖发展，能够制造出动态的、对刺激有响应的可食用结构。这些结构可以根据环境触发因素改变形状、质地或功能，为个性化营养和智能食品系统开辟了新途径。然而，在4D打印食品中实现精度和稳定性仍然是一个挑战，尤其是在打印前阶段。
范围与方法：本综述聚焦于4D食品打印中关键的打印前挑战，包括食品墨水配方的复杂性、成分相容性、流变性能和生物活性稳定性。它进一步探讨了人工智能（AI），特别是基于规则的系统、机器学习（ML）和深度学习（DL）如何解决这些问题。文中讨论了人工智能辅助配方建模和预测流变学方面的最新进展，将其作为提高工艺效率和产品性能的工具。
主要发现与结论：人工智能驱动的策略为克服4D食品打印中的配方、相容性和可重复性问题提供了强大的解决方案。机器学习算法可以模拟成分之间的复杂相互作用，而深度学习则提高了对质地、流动行为和刺激响应性的预测准确性。通过将人工智能整合到打印前的工作流程中，食品技术人员可以加快功能性和个性化产品的设计。人工智能引导的材料科学和实时自适应打印系统的未来发展有望在下一代创新且安全的食品中发挥关键作用。
