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3D点云与深度学习的切片面包多尺度表型自动化量化流程
查看原文
2025
Food Research International
中科院一区JCR一区
Honghao Zhou, Jungao Zhang, Qin Zhou, Xinru Wang, Haijiang Min, Bingxi Qin, Shaowei Liang, Xiao Wang, Yingxin Zhong, Jian Cai, Mei Huang, Qing Li, Dong Jiang & Jiawei Chen
计算机标签
深度学习 定量预测/回归分析 可见光/RGB/视频数据食品标签
面包 品质、结构与理化性质 显微与成像技术针对当前切片面包评价参数集中于二维表型分析的现状，本研究开发了一种利用廉价3D激光扫描仪准确捕获并分析整个面包切片及其切片孔隙表面三维结构的创新技术。采用集成三轴运动平台的3D线扫描激光轮廓传感器高效采集面包表面的3D点云数据。针对预处理后的点云数据，提出了一个名为3D-PoresSegNet的分割模型，用于在点云中分离面包表面和孔隙区域。通过使用2D投影、轮廓提取和逆变换技术，获得了孔隙边缘的准确3D结构信息。基于孔隙边缘和完整的点云数据，我们成功重建了3D孔隙结构，并提取了面包及其孔隙的详细表型参数。此外，提出了两个新颖的表型参数——孔隙分布和孔隙层分布，为面包的全面质量评估提供更科学的支持。为了便于快速进行表型分析，我们开发了Bread3D-Measure软件。实验结果表明，在提取13个表型参数方面具有较高准确性，包括7个总体性状——高度（97.3%）、长度（95.2%）、宽度（95.6%）、表面积（86.6%）、体积（82.8%）、对称指数（91.5%）和均匀性指数（93.4%），以及6个相关参数——最大孔隙直径（84.7%）、最大孔隙面积（82.6%）、孔隙数量（87.1%）、最大孔隙深度（90.3%）、最大孔隙体积（83.7%）和孔隙伸长率（78.5%）。这些结果证实了所提方法在满足各种表型应用需求方面的有效性。
-
人工智能在食品安全中的应用：从预测模型到现实保障措施
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
P. Balakrishnan, A. Anny Leema, N. Jothiaruna, Purshottam J. Assudani, K. Sankar, Madhusudan B. Kulkarni & Manish Bhaiyya
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 可见光/RGB/视频数据 红外/拉曼光谱数据 时序传感器/物联网数据 多模态/融合数据食品标签
食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法食品安全不再仅仅是实验室里的问题，它已成为一个现实世界的挑战，影响着从农民、商贩到监管者和消费者的每一个人。随着人们对牛奶、食用油、水果和即食食品等日常食品中存在的掺假、腐败和污染问题的担忧日益加剧，传统的检测方法往往难以满足需求——这些方法速度太慢、成本太高，而且并非为实时检测而设计。本文综述探讨了人工智能（AI）和机器学习（ML）如何在这一领域发挥变革性作用。我们重点介绍了一些真实案例，其中AI模型与光谱学、智能传感器和计算机视觉等工具相结合，能够快速且准确地检测出食品欺诈和腐败问题。除了技术层面，我们还讨论了数据缺口、模型可信度以及农村地区可负担性等挑战，同时提出了联邦学习和低成本AI设备等具有前瞻性的解决方案。本文综述对食品科学家、质量保证专业人员、技术开发者、政策制定者以及致力于构建更安全、更智能食品体系的初创企业而言，都将具有特别重要的价值。它是一份将AI创新转化为现实世界食品安全解决方案的实用指南。
-
食品源黄嘌呤氧化酶抑制肽的制备、作用机制及深度学习应用：综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Tian Wang, Dangfeng Wang, Likun Ren, Lingling Dang, Zongji Wang, Guilin Zhang, Zhongwei Liu, Yuping Wang, Fenglan Zhu, Xuepeng Li, Yang Jiang, Jianrong Li, Tingting Li & Fangchao Cui
计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析 设计/生成与推荐食品标签
加工与新加工技术 血糖、血脂与代谢相关功能 蛋白质与氨基酸背景：高尿酸血症（HUA）是一种以血清尿酸（SUA）水平升高为特征的代谢紊乱疾病（男性>7.0毫克/分升，女性>6.0毫克/分升）。高尿酸血症已成为全球关注的健康问题，且与多种慢性疾病密切相关。近年来，源于食物的黄嘌呤氧化酶（XOD）抑制肽因其安全性、营养价值和强大的生物活性而受到广泛关注。源于食物的黄嘌呤氧化酶抑制肽是管理高尿酸血症的潜在替代物。
范围与方法：本综述概述了黄嘌呤氧化酶抑制肽的来源、传统及新兴制备方法。全面总结了黄嘌呤氧化酶抑制肽的构效关系和作用机制。此外，还对深度学习的应用进行了评估。
主要发现与结论：源于食物（包括植物和动物）的黄嘌呤氧化酶抑制肽主要通过两种方法制备：传统方法，如酶解、化学合成和微生物发酵；以及新兴技术，如生物信息学、噬菌体展示和人工智能。在基于构效关系优化肽的过程中，黄嘌呤氧化酶抑制活性显著增强。源于食物的黄嘌呤氧化酶抑制肽可能通过抑制黄嘌呤氧化酶活性、促进尿酸排泄、维持肠道稳态和减轻炎症来调节尿酸代谢。此外，深度学习模型能更准确地预测肽与黄嘌呤氧化酶的相互作用，从而加快新型黄嘌呤氧化酶抑制肽的发现和优化。考虑到其安全性和治疗潜力，黄嘌呤氧化酶抑制肽作为高尿酸血症管理的补充剂具有重要潜力。 -
从预测到设计：利用可解释的深度学习、量子化学模拟和模块替换揭示鲜味肽的机制
查看原文
2025
Food Chemistry
中科院一区JCR一区
Lijun Su, Zhenren Ma, Huizhuo Ji, Jianlei Kong, Wenjing Yan, Qingchuan Zhang, Jian Li & Min Zuo
计算机标签
深度学习 分类/鉴别/等级评定 过程控制与实时优化 组学数据食品标签
其他添加剂与配料 品质、结构与理化性质 动力学建模 蛋白质与氨基酸本研究借助深度学习模型与模块替换策略完成鲜味肽的筛选与设计。该预测模型融合预训练、特征增强及对比学习模块，准确率达0.94，相较其他模型性能高出2%至9%。研究通过虚拟酶解、模型预测与感官评价完成鲜味肽鉴定；肽段EN、ETR、GK4、RK5、ER6、EF7、IL8、VR9、DL10及PK14均具备鲜味，且可与味精协同产生增鲜效果。模块替换策略是将鲜味肽中高贡献度模块替换苦味肽的对应模块，为肽段设计与改造提供便捷思路。研究通过分子对接与活性位点分析阐明模块替换及呈味作用机制，结果表明替换后的肽段能与鲜味受体T1R1/T1R3形成更多氢键与疏水相互作用；天冬氨酸(D)、谷氨酸(E)、谷氨酰胺(Q)、赖氨酸(K)、精氨酸(R)是呈现鲜味的关键氨基酸。本研究为快速筛选鲜味肽提供高效工具，同时丰富了鲜味肽资源库。
-
利用人工智能和机器学习模型预测与评估货架期环境和包装材料对大蒜理化及植物化学成分的影响
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Hany S. El-Mesery, Ahmed H. ElMesiry, Mansuur Husein, Zicheng Hu & Ali Salem
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 质构/流变/感官数据食品标签
新鲜蔬菜 保藏与贮藏 品质、结构与理化性质 常规理化指标测定 其他理化与结构表征 花青素与类胡萝卜素大蒜是一种被广泛食用的作物，其营养成分和品质在收获后必须通过克服多项挑战来加以保持。本研究的必要性源于人们对有效的采后管理解决方案的需求日益增长，这些方案能够延长保质期、维持大蒜的营养完整性并提高消费者满意度。本研究探讨了机器学习（ML）和人工智能（AI）在预测储存环境和包装材料对大蒜理化性质、酶活性、植物化学成分及抗氧化特性影响方面的应用。结果表明，温度对除花青素外的大多数参数都有显著影响，而包装则对所有变量都有影响。研究发现，将大蒜储存在4°C下比储存在25°C下能更好地保持其品质，这为优化储存条件和包装以获得更优质的产品提供了见解。这项研究为控制影响大蒜采后表现的因素提供了宝贵指导，旨在改善保鲜效果并减少食物浪费。
