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
-
用于预测食品和饮料香气、风味及偏好的机器学习：小型和不平衡数据集的案例研究
查看原文
2026
Food Quality and Preference
中科院一区JCR一区
J.J. Nijdam, D. Torrico, L. Kumar, & V. Chelikani
计算机标签
机器学习/统计学习 定量预测/回归分析 质构/流变/感官数据 小规模数据集食品标签
发酵乳/酸奶 酒精饮料 特征风味 感官科学与消费者研究用于训练和测试机器学习模型，以根据仪器测量预测食品和饮料的香气和风味属性强度以及偏好评分的数据集，通常由于生成和分析样品的成本和工作量而规模有限。其结果可能导致模型预测性能差且不可靠。已经使用已发表的白葡萄酒、柑橘皮和酸奶数据集进行了案例研究，以探讨潜在的解决方案。选择能够有意义地反映感官属性或偏好驱动因素的表达性仪器测量，对于准确预测非常重要。使用类别数量有限的分类尺度进行感官评估，可以帮助确保为每个类别分配足够的样本，从而提高模型的泛化能力并减少预测偏差。在数据收集之后，通过合并类别可以提高准确性，以消除部分感官噪声，并在剩余类别中更均匀地平衡样本。如果诸如合成少数类过采样技术（SMOTE）等技术在处理基于不平衡数据集训练的模型中的预测偏差时效果不佳，后者可能会有所帮助。
-
解锁特级初榨橄榄油识别：利用可解释人工智能预测红外光谱中的乙酸乙酯
查看原文
2026
Food Chemistry
中科院一区JCR一区
Michele Magarelli, Silvia Grassi, Giacomo Squeo, Pierfrancesco Novielli, Roberto Bellotti, Francesco Caponio, Cristina Alamprese, & Sabina Tangaro
计算机标签
偏最小二乘法 梯度提升决策树 模型可解释性 定量预测/回归分析 红外/拉曼光谱数据食品标签
植物油 食品安全与风险评估 其他安全问题 氧化、褐变等化学变化 光谱/色谱/质谱等分析方法 脂质与脂肪酸特级初榨橄榄油（EVOO）容易被掺假和降解，因此评估其真实性和质量至关重要。脂肪酸乙酯（FAEE）是在发酵过程中形成的，被欧盟立法作为EVOO质量的重要标志，其可接受水平最高为35 mg/kg。在本研究中，提出了一种基于红外光谱结合传统统计方法（即偏最小二乘法-PLS）、机器学习（ML）和可解释人工智能（XAI）的快速、非破坏性且成本效益高的替代方法。使用傅里叶变换红外光谱分析了170个橄榄油样品的数据集，其FAEE浓度范围为1.81 mg/kg到109.00 mg/kg。光谱数据经过预处理，并用于训练各种回归模型。通过XGBoost模型获得了最佳性能（R2 = 0.90，RMSE = 9.41 mg/kg）。XAI技术使模型的解释成为可能，并识别出主要与FAEE含量相关的光谱区域。
-
冷冻草莓成熟过程减缓会激活灰葡萄孢和根霉菌丝真菌：基于 AI 的 SSFI 模型检测
查看原文
2026
Postharvest Biology and Technology
中科院一区JCR一区
S.S. Jayakrishna, S. Sankar Ganesh, Utpal Das, Subramanian Babu, & P. Aman Jayaker
计算机标签
目标检测网络 图像分割网络 缺陷/异物检测与定位 可见光/RGB/视频数据 质构/流变/感官数据食品标签
新鲜水果 质构与流变性质 营养与生物功能 显微与成像技术 质构与流变测试 矿物质与微量元素冷冻贮藏对保持水果供应品质至关重要。本研究发现，超市中为减缓成熟而在冷库中贮藏的进口草莓会滋生有害真菌，使其不可食用。研究采用计算机视觉检测系统检测并追踪霉变水果。IA-1 使用表面纹理显微镜采集果实种子图像，IA-2 使用明场显微镜记录真菌结构。研究提出的 MTMID 算法通过自标注改进分割，并开发了名为 SSFI-YOLO 的深度学习模型，其平均精度均值为 71%，精度置信曲线为 84%，精确率-召回率曲线为 70%，F1 分数为 64%。在最佳光照条件下，该模型可在 11.3 ms 内检测微小种子。研究在 25 摄氏度下观察携带菌丝的培养皿 0-120 h，并通过 PCR 测序提取 DNA。ITS 测试确认冷冻水果样品中存在灰葡萄孢。通过 ICP-MS 比较新鲜和病害草莓的矿物质含量，发现镁由 348.104 mg/100 g 显著下降至 100.833 mg/100 g，钾由 684.011 mg/100 g 下降至 520.107 mg/100 g，钙由 96.243 mg/100 g 下降至 38.471 mg/100 g。结果表明，成熟过程减缓会对草莓营养组成产生负面影响。
-
通过智能非迁移性抗菌包装实现精确肉类保存
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jingnan Zhang, Zahra Teymouri, Lanqi Zhou, Mengyue Zhou, Zijian Zhi, Célio Dias Santos-Júnior, & Haizhou Wu
计算机标签
机器学习/统计学习 过程控制与实时优化 时序传感器/物联网数据食品标签
畜肉 保鲜涂膜与保鲜剂 活性包装 货架期预测与品质劣变动力学背景：肉类腐败是全球食品安全、公共健康和经济可持续发展的主要障碍，导致供应链各环节发生大量损失。传统的抗菌包装依赖活性物质的非控释扩散，存在非特异性活性、过早耗尽以及化学迁移和感官质量方面的担忧。这些限制正在推动向通过非迁移性活性包装实现的精准保鲜转变，将包装重新定义为一种能够破坏腐败机制的工程化界面。范围与方法：本综述聚焦于用于肉类精准保鲜的非迁移性活性抗菌包装。综述首先解析了肉类腐败的微生态和分子驱动因素，以确定可操作的靶点。然后，它对实现仿生抗粘附表面的材料策略、固定化接触杀菌剂（如抗微生物肽、多酚、阳离子基团）以及在pH变化、挥发性氮化合物或光照下激活的环境响应聚合物进行了关键评估。主要发现和结论：非迁移性膜将包装重新构想为一种工程化的、情境响应的界面：防止微生物附着，维持持久的抗微生物活性而不消耗，并对腐败信号触发按需响应。新兴前沿，包括用于靶向基因沉默的RNA工具、智能传感平台以及用于实时保质期预测的AI驱动建模，正在汇聚以实现闭环保鲜系统。这种系统可以自主检测食品变质信号，在需要的时间和地点启动抗菌防护，并根据每种产品的储存历史进行调整。这些进步共同促成了智能、精确驱动的包装，提高了食品安全性和可持续性，减少了肉类浪费，并增强了粮食安全。
-
人工智能与多尺度数据融合在乳清蛋白高价值利用中的应用：一项系统性综述
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jiajun Yu, Erzheng Su, Jiasheng Wu, & Fangwei Yang
计算机标签
模型可解释性 设计/生成与推荐 多模态/融合数据 质构/流变/感官数据食品标签
乳清及乳清制品 加工与新加工技术 营养与生物功能 蛋白质与氨基酸背景：乳清蛋白（WP）的研究分散在分子设计和工艺优化的不同尺度上，阻碍了从分子到宏观性能的因果联系的建立。人工智能（AI）提供了整合的机会，但当前的应用常常混淆多尺度和多模态数据，并且依赖相关性而非机制。范围与方法：本综述系统地审视了用于乳清蛋白研究的人工智能方法，并提出了一个连接分子、微观/介观和宏观尺度的分层框架。它提出了基于物理的多尺度数据融合策略，其中可解释的人工智能能够实现机制发现。主要发现与结论：在分子尺度上，人工智能能够预测生物活性和致敏性，以及进行WP变体的逆向设计；在微观尺度上，它促进了微观结构特征的自动提取并将其与流变性能关联；在宏观尺度上，它推动了质量预测、工艺优化和价值链整合。具有可解释性的跨尺度建模框架的分层多尺度数据融合，将分子结构与宏观性能连接起来，推动WP的高价值利用。关键挑战，包括数据稀缺、物理不一致的建模、有限的可推广性以及分散的整合，需要特定领域的大模型、物理信息指导方法和智能平台。这种多尺度数据融合方法有望将WP高价值利用从经验主义转向合理设计和智能生产，在释放经济潜力的同时推动全球蛋白质的可持续利用。
