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 291 条结果
-
MSI-FusionNet：用于高粱品种鉴别的多模态光谱-图像融合网络
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Xinjun Hu, Mingkui Dai, Anjun Li, Ying Liang, Wei Lu, Jiahao Zeng, Jianheng Peng, Jianping Tian, Manjiao Chen & Liangliang Xie
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 高光谱/多光谱光谱 多模态/融合数据食品标签
杂粮 品质、结构与理化性质 显微与成像技术 光谱/色谱/质谱等分析方法高粱品种间的成分差异会影响白酒的酿造过程、风味特征及整体品质。本研究提出了一种多模态光谱-图像融合网络（MSI-FusionNet）数据融合模型，用于快速且准确地识别高粱品种。该模型整合了通过高光谱成像获取的一维光谱数据和利用工业显微镜拍摄的二维图像数据。该模型对12个高粱品种的识别准确率达到93.33%。与单独使用光谱数据或图像数据相比，MSI-FusionNet的准确率分别提高了11.11%和29.63%。为了平衡性能与效率，研究对多种经典的二维卷积神经网络（2DCNN）架构进行了评估。以ShuffleNetV2作为2DCNN结构的MSI-FusionNet模型表现出更优的效率，在保持高准确率的同时，显著降低了模型复杂度和计算成本。MSI-FusionNet为酒类企业提供了一种高效且准确的高粱品种识别解决方案，有助于稳定白酒的风味和品质，并为酿酒行业提供了有价值的技术支持。
-
机器学习辅助的江味白酒香气组合预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Min Zhu, Mingyao Wang, Junfeng Gu, Zhao Deng, Wenxue Zhang, Zhengfu Pan, Guorong Luo, Renfu Wu, Jianliang Qin & Katsuya Gomi
计算机标签
机器学习/统计学习 卷积神经网络 定量预测/回归分析 质构/流变/感官数据食品标签
酒精饮料 品质、结构与理化性质 风味组学江味白酒（JFB）复杂的风味源于数百种化合物在物理化学和感官层面的相互作用，使得准确感知变得极具挑战性。现代机器学习技术提供了精确且科学的方法来预测感官属性。本研究将风味组学和感官分析应用于中国主要产区的27个代表性JFB样本，整合五种机器学习算法，建立了预测全球香气特性的新策略。结果表明，神经网络（NN）模型优于其他模型，有效捕捉了香料化合物之间复杂的相互作用。模型解剖识别出18个化学参数，可能影响整体香气特征。这些因素的重要性通过掺杂和省略测试进一步验证，显著增强了商业烈酒的感官体验。本研究展示了机器学习在JFB风味研究中的潜力，并为其风味形成的机制提供了宝贵见解。
-
通过智能包装、胶片成像和色谱特征的多模态深度融合，实现鲑鱼鲜度的无损检测
查看原文
2025
Food Packaging and Shelf Life
中科院一区JCR一区
Haibo Xu, Jingru Chang, Mingyang Sun, Jialing Li, Haitao Wang, Yuanda Sun, Wentao Su & Xiaoyang He
计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据 多模态/融合数据食品标签
鱼肉 货架期预测与品质劣变动力学 智能/指示型包装 包装系统中的监测与标签应用 常规理化指标测定水产品的快速腐败需要高效、无损的鲜度检测方法。本研究提出了一种通过嵌入单宁酸-Fe2+络合物作为颜料制备的柔性荧光光学传感器阵列，以监测鲑鱼腐败过程中与总挥发性盐基氮（TVB-N）相关的pH值和颜色变化。利用传感器阵列的智能手机图像训练了一个融合视觉与颜色特征的双模态深度学习模型。我们提出了iCFreshNet，这是一个基于EfficientNet-B0的多模态框架，它将双通道特征提取器与改进的标量门控融合及轻量级门控融合一致性相结合，以增强特征的鲁棒性和协同性。在对比实验中，iCFreshNet在本地计算环境中实现了毫秒级的推理延迟，测试准确率达到99.0%，优于ResNet50、CLIP和微调的大模型。训练后的模型能出色地区分颜色线索，并能泛化到不同的样本，展现了在食品安全应用中用于智能包装和实时鲜度监测的强大潜力。
-
机器学习技术在风味预测与分析中的综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Ikechukwu O. Osinomumu, Umesh Reddy, Gianfranco Doretto & Donald A. Adjeroh
计算机标签
大模型与 LLM 支持向量机 随机森林 K-近邻 卷积神经网络 循环神经网络 生成对抗网络 图神经网络 分类/鉴别/等级评定 组学数据食品标签
感官评价与方法学 光谱/色谱/质谱等分析方法背景：风味预测——即通过挥发性和非挥发性化合物对化合物的感官特征进行计算评估——在食品、饮料、香料和制药行业的创新中变得日益重要。气相色谱-质谱联用（GC-MS）和感官评价等传统方法仍有价值，但在可扩展性、主观性和成本方面存在局限性。由受体-配体相互作用介导的味觉感知，从根本上塑造了风味的多感官体验。
范围与方法：本综述探讨了应用于风味预测的多种机器学习（ML）和深度学习（DL）方法，对它们在甜味、苦味、鲜味/厚味、辛辣味以及多类别味觉预测中的性能进行了基准测试。内容涵盖传统的机器学习算法（支持向量机、随机森林、K近邻算法）和先进的深度学习模型（卷积神经网络、循环神经网络、生成对抗网络和大型语言模型），并额外关注混合策略和集成策略。特别强调了分子表征（简化分子线性输入规范、SELFIES、分子指纹）、多组学数据（基因组学、蛋白质组学和代谢组学）的整合以全面理解风味形成、基因型-表型-风味关系，以及味觉受体信息在提高模型可解释性方面的关键作用。
主要发现与结论：模型性能因味觉模式而异：梯度提升模型和共识模型在甜味预测中表现出色，支持向量机和图神经网络在苦味预测中表现突出，卷积神经网络与图神经网络的混合模型在多类别分类中效果较好。旨味和鲜味预测受益于图神经网络嵌入、iUmami-SCM以及经过实验验证的基于Transformer的模型，而辛辣味预测——尽管研究不足——通过集成模型和结合量子化学的特征显示出良好前景。挑战依然存在，包括高质量数据集有限、对新分子的欠拟合以及深度学习中的可解释性差距。SELFIES和受体-配体感知模型（如BitterX、BitterTranslate、KokumiPD）等进展通过确保结构有效性和增强机制洞察力，解决了这些问题。
意义与创新性：本综述确定了可解释人工智能、物联网驱动的数据收集、多组学融合、分子表征和混合建模等未来发展方向，为下一代食品、香料和制药创新中可扩展、可解释的风味预测提供了路线图。 -
基于聚集体调控银纳米团簇与功能化MXene的深度学习辅助仿生味觉传感系统及其在多种食源性病原体识别中的应用
查看原文
2025
Chemical Engineering Journal
中科院一区JCR一区
Yuandong Lin, Wei Xiang, Fengqi Wang, Yong-Guang Jia, Jingzhu Wu & Jun-Hu Cheng
计算机标签
卷积神经网络 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据食品标签
畜肉 液态乳 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法实现食品中多种食源性致病菌的实时、同步、高精度检测对保障食品安全至关重要。仿生味觉感知系统通过模拟生物味蕾与舌头的协同功能，高度适配多病原体识别需求，其效能依赖于高效的信号转导机制与先进的数据处理方法。据此，本研究构建了一种深度学习辅助的仿生味觉传感系统：通过将多色DNA模板化银纳米簇（DNA-AgNCs）与3-氨基苯硼酸（APBA）功能化的Ti3C2 MXene整合为统一荧光传感器阵列。该设计中，DNA-AgNCs作为聚集态可调发光体，其DNA模板序列的差异驱动纳米簇形成不同聚集态，从而产生多样化荧光发射。这种聚集依赖性光致发光行为不仅丰富了阵列的信号多样性，还增强了其对复杂微生物识别的适应性。得益于DNA-AgNCs的荧光信号多样性与可及性，以及APBA修饰Ti C 对细菌表面富含糖类组分的高亲和力识别，该仿生系统针对多种食源性病原体生成了独特的荧光指纹图谱，在简化制备流程的同时提升了普适性。为提高对探针间微妙关系的辨别能力，本研究采用基于指纹图谱的卷积神经网络（CNN），可实现对污染自来水中单一及混合细菌种群（>98.5%）的精准识别与定量。该仿生系统对生牛肉、牛奶等更复杂基质同样有效。此项研究为未来开发自适应仿生传感器系统及人工智能辅助的食品安全控制奠定了技术基础。
