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 1098 条结果
-
人工智能驱动的发酵食品微生物资源探索
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
计算机标签
机器学习/统计学习 深度学习 过程控制与实时优化食品标签
发酵食品及酱腌制品 过程优化与控制策略 组学与高通量技术 发酵工艺与动力学背景
发酵食品微生物构成了一个多样化的微观生态系统，在食品生产、风味开发和人类健康方面具有巨大的应用潜力。然而，其复杂性、传统培养方法的局限性以及功能分析的难度给研究带来了重大挑战。这些挑战共同限制了我们对潜在机制的理解。
范围与方法
本综述系统阐述了人工智能（AI）在克服这些局限性方面带来的范式转变。我们综合当前研究，详细介绍了人工智能（特别是机器学习和深度学习）在挖掘和解读复杂微生物数据集方面的应用。此外，我们还强调了这些计算方法在发酵食品行业中的变革性应用和潜在挑战。
主要发现与结论
人工智能能够实现高分辨率的微生物注释，并准确预测基因功能和新的代谢途径。此外，它使研究人员能够对驱动食品发酵过程的复杂微生物相互作用进行建模。尽管在数据标准化、模型可解释性和实际应用整合方面仍存在挑战，但人工智能无疑已成为挖掘发酵食品中微生物资源的变革性工具。它将加速下一代发酵剂的发现，并优化发酵过程，以提高效率和一致性。这些进展有望显著改进工业发酵实践，支持更可持续和标准化的食品生产。此外，它还将促进旨在改善人类健康的功能性食品的开发。 -
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
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 过程控制与实时优化食品标签
水果/蔬菜与菌菇类/植物类 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。 -
乳酸菌的同步接种与序贯接种对中式辣白菜风味特征的调控：一项机器学习与建模研究
查看原文
2026
International Journal of Food Microbiology
中科院一区JCR一区
计算机标签
随机森林 分类/鉴别/等级评定食品标签
蔬菜发酵制品 消费者偏好与接受度 光谱/色谱/质谱等分析方法 发酵工艺与动力学发酵剂的接种时机是影响发酵食品质量的关键因素，但这一因素尚未得到充分研究。本研究评估了同时接种（T1）和顺序接种（X1）明串珠菌、利维乳酸杆菌和植物乳杆菌对中国辣白菜（CSC）中菌种间竞争及发酵动态的影响。T1策略加快了发酵动力学过程，其中明串珠菌作为主要发酵菌发挥作用；而接种顺序改变了次级发酵菌的竞争层级：利维乳酸杆菌在T1中占据主导地位，植物乳杆菌则在X1中占优。这种不同的微生物演替过程产生了独特的芳香特征，随机森林模型识别出甲基烯丙基二硫醚（第6天）和二甲基三硫醚（第13天）是导致这些风味差异的关键标志性化合物。尽管T1组形成了更浓郁的发酵风味，但感官分析表明，顺序接种（X1）策略通过在适度风味和保持质地之间取得更理想的平衡，获得了更高的总体可接受度。这些研究结果表明，调整接种时机是调控微生物演替并系统性改变发酵蔬菜最终感官特征的有效方法。
-
利用可见-近红外光谱技术检测燕麦中镰刀菌属及T-2和HT-2毒素污染
查看原文
2025
International Journal of Food Microbiology
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
杂粮 微生物安全 光谱/色谱/质谱等分析方法兰氏镰刀菌（FL）是英国燕麦中的主要污染物之一，也是 T-2 和 HT-2 毒素的重要产生菌，而这两种毒素是燕麦中最常见的霉菌毒素。本研究探索了可见 - 近红外（Vis-NIR）（350–2500 纳米）光谱技术作为一种非侵入性、快速的方法，用于检测 FL、产生 T-2 和 HT-2 毒素的镰刀菌种类以及 T-2 和 HT-2 毒素的含量。在控制水活度（aw）条件（0.98、0.90 和 0.80）下，对燕麦籽粒进行了 FL 和其他镰刀菌的人工接种。研究发现，FL 是产生 T-2 和 HT-2 毒素的主要原因。研究开发了分类模型，根据 FL 的存在情况对燕麦籽粒进行区分。使用所有可见 - 近红外光谱时获得了最佳性能，分类准确率为 76.2%。可见区域（350–995 纳米）成为分类中最重要的范围。此外，根据 T-2 和 HT-2 毒素含量对燕麦籽粒进行分类，区分欧盟（EU）阈值以上和以下的燕麦，准确率为 93.3%。在霉菌毒素定量方面，使用可见区域获得了最佳性能，决定系数（R²）为 0.875。464、568、575 和 636 纳米等关键波长与毒素检测相关。近红外区域（1005–1795 纳米）在模型中也发挥了重要作用。这项研究表明，可见 - 近红外光谱技术是检测燕麦中镰刀菌和 A 型单端孢霉烯族毒素的一种有前景的非破坏性工具，不过还需要进一步研究以提高模型的稳健性，并为食品安全监测提供支持。
-
基于尺寸可控球形金属纳米颗粒的表面增强拉曼光谱结合机器学习的 Botryosphaeria dothidea 快速定量检测方法
查看原文
2025
International Journal of Food Microbiology
中科院一区JCR一区
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
水果/蔬菜与菌菇类/植物类 微生物安全 光谱/色谱/质谱等分析方法葡萄座腔菌（Botryosphaeria dothidea）感染已成为影响采后果实品质的主要因素，因此检测葡萄座腔菌感染对于控制感染扩散和保障食品安全至关重要。本研究构建了一个基于表面增强拉曼光谱（SERS）的监测平台，该平台结合了尺寸可控的球形金属纳米颗粒与机器学习技术，可对葡萄座腔菌进行快速定量检测，同时还能检测多种病原体。以球形金属纳米颗粒作为活性基底时，SERS增强效果具有显著的尺寸依赖性。研究确定45–60 nm的Ag@ICNPs能实现葡萄座腔菌的最大SERS信号检测，并将其用作活性基底构建了葡萄座腔菌快速定量检测的SERS平台。该平台在实际样品检测中具有潜在的实用性。利用该平台对猕猴桃溃疡病菌（Pseudomonas syringae pv. Actinidiae）、铜绿假单胞菌（Pseudomonas aeruginosa）、青枯雷尔氏菌（Ralstonia solanacearum）和极端东方假单胞菌（Pseudomonas extremorientalis）进行检测，成功捕获了这些病原体的SERS指纹信息，且对这些病原体的定量分析能力较强。对所获得的病原体SERS光谱进行机器学习分析，基于不同病原体光谱数据集之间的差异，主成分分析（PCA）能有效将这五种病原体区分成不同组别。支持向量机（SVM）、决策树（Tree）、线性判别分析、高效逻辑回归、朴素贝叶斯、K近邻、集成算法和神经网络的测试准确率分别为100%、96%、100%、100%、100%、100%、98%和100%，均具有较高的准确率。总体而言，本研究为多种病原体的快速定量检测与鉴定提供了一种简便、高效且准确的方法，并可推广应用于实际的农产品检测中。
