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
-
从农场到餐桌之外：海产品安全与质量的综合控制——人工智能相关的机遇与挑战
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Andrée De Cock, Marie Anne Eurie Forio, Henry H. Hansen, Liesbeth Jacxsens, Carl Lachat & Peter Goethals
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/回归分析食品标签
肉类/蛋类与水产品 微生物安全 化学污染物海鲜是一种种类丰富且极具价值的营养来源，能够为全球范围内的健康饮食提供支持。然而，从水生生态系统中吸收的有毒化合物进入海鲜产品，再加上整个海鲜产业链中存在的食源性风险，对公众健康构成了全球性威胁。要有效管理海鲜危害并优化消费者健康，就需要超越传统的“从农场到餐桌”链条。本文旨在探讨一种“超越从农场到餐桌”的框架，阐述确保海鲜安全、高品质的关键要素。智能食品安全技术的最新进展借助人工智能（AI）来提升食品的安全性和质量。但目前，关于海鲜产业链内外与人工智能相关的应用，尚未形成一个综合性的视角。基于“超越从农场到餐桌”的框架，我们强调了在海鲜系统综合管控方面与人工智能相关的主要机遇和挑战。最后，我们在“超越从农场到餐桌”的各个层面，为人工智能的应用以及消费者健康提供了指导、生产法规和政策建议。我们的研究结果强调，在实现海鲜质量的综合管控过程中，海鲜生产的地点、环境条件以及消费者的个体特征之间存在着关键的相互作用。物联网、传感器、机器学习和区块链等与人工智能相关的技术，能够实现风险的早期检测、缓解和控制，减少污染物和食源性疾病带来的健康风险，同时提升营养质量。人工智能能够简化消费者的选择，使其既有利于个人健康，又有利于食品生产的可持续性。将可追溯系统和FAIR数据与人工智能的进一步发展相结合，能够赋予海鲜产业链相关方确保产品质量和保障消费者健康的能力。
-
如今的农产品溯源：推动创新，提升食品供应链的效率、可持续性、伦理采购及安全性
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Sara Rossi, Sandra Gemma, Francesca Borghini, Matteo Perini, Stefania Butini, Gabriele Carullo & Giuseppe Campiani
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定食品标签
食品安全与风险评估 组学与高通量技术背景：农业食品供应链的全球化程度不断提高且日益复杂，这使得食品系统对透明度、安全性和可追溯性的需求日益迫切。食品的完整性、真实性和安全性至关重要，实施具体且可靠的追踪与溯源协议正成为食品行业的首要任务。食品供应链往往缺乏效率，而消费者也越来越关注所购食品的来源和质量，要求更精准的数据传递系统。鉴于此，对农业食品供应链可追溯性的清晰理解变得十分必要。
范围与方法：本综述从法律要求、技术和分析视角为食品可追溯系统提供了一份路线图。综述探讨了追踪与溯源等关键概念，概述了国际监管框架，并引入了一种新颖的分类法，该分类法根据技术成熟度和数据粒度对可追溯系统进行分类。重点关注了创新分析技术，如蛋白质组学、代谢组学/挥发组学、基因组学、稳定同位素和元素分析，以及新兴数字技术，包括人工智能（AI）、自主智能系统（AsI）、区块链、物联网（IoT）和食品链管理（FCM）。葡萄酒、大蒜和咖啡可追溯性的案例研究，展示了这些工具在实际工业和地方场景中的应用。
主要发现与结论：通过将监管见解与创新技术相结合，本综述强调了提高端到端可追溯性效率的最佳实践和战略方向。综述探讨了适用于先进食品供应链的创新技术，并强调了可追溯系统在建立消费者信任、支持公共健康和推动可持续食品生产方面的作用。 -
利用人工智能和多组学技术增强酸面团发酵：从自然多样性到合成微生物群落
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Yujuan Yu, Jiale Wang, Faizan Ahmed Sadiq, Honghong Cheng, Aowen Liu, Yan Liu, Senmiao Tian, Jingjing Liang, Ling Zhu & Guohua Zhang
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 组学数据食品标签
小麦 组学与高通量技术 菌种筛选与特性评价 发酵工艺与动力学背景：酸面团发酵由复杂的微生物群落驱动，这些群落受多种因素影响，包括面粉类型、环境和工艺条件。传统的天然酸面团依赖于原材料和环境中的自发性微生物定植，这往往导致微生物组成、代谢活性和发酵结果存在很大差异。这些不可预测的动态变化给维持产品一致性、控制发酵时间、确保食品安全和扩大生产规模带来了挑战。
范围与方法：本综述概述了多组学方法如何应用于表征酸面团微生物群、理解微生物相互作用以及监测代谢功能。我们进一步探讨了从自然发酵到合成微生物群落（SynComs）的转变，重点阐述了人工智能（AI）与组学的整合如何指导SynCom的设计，并预测在不同发酵条件下群落的行为。
主要发现与结论：人工智能与多组学的整合能够深入模拟酸面团生态系统中的微生物相互作用和功能输出。这些方法为构建功能稳定的SynComs以实现一致的发酵性能提供了合理的框架。尽管在将SynComs扩大到工业应用方面仍存在挑战，但人工智能驱动的多组学策略为优化酸面团发酵和促进发酵食品生产的创新提供了一条有前景的途径。重要的是，这些发现对临床和工业微生物学领域群落模型的开发具有更广泛的意义。 -
要推动人工智能在食品科学领域的发展，需要领域知识、公正的评估以及完善的数据标准
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Dachuan Zhang, Meihui Liu, Zhaoshuo Yu, Hanlin Xu, Stephan Pfister, Giulia Menichetti, Xingran Kou, Jinlin Zhu, Daming Fan & Pingfan Rao
计算机标签
机器学习/统计学习 深度学习食品标签
营养与生物功能 食品安全与风险评估 可持续性与资源高值化背景：人工智能（AI）在包括食品科学在内的许多科学领域都展现出了变革性潜力。其应用涵盖营养、安全、风味和可持续性等方面。然而，当前人工智能在食品科学中的应用往往缺乏与领域专业知识的整合，面临可复现性挑战，并且受到碎片化数据集和有限基准测试的阻碍。
范围与方法：本观点概述了主要挑战，并提出了五项战略举措，以指导人工智能在食品科学中有效且负责任地整合。这些举措包括将领域知识嵌入模型、建立透明且可复现的工作流程、采用基准测试实践、促进实际验证，以及开发健全的数据标准和基础设施。
主要发现与结论：为了充分释放人工智能在食品科学中的潜力，未来的研究必须优先考虑具有领域感知的模型开发、开放科学实践和实际验证。这些努力对于打造可靠、可推广且有影响力的人工智能工具至关重要，此类工具能够应对食品系统中的现实挑战。 -
深度学习辅助、基于智能手机的通用型多重RPA-CRISPR/Cas12a-G4便携式芯片用于同时检测CaMV35S和NOS
查看原文
2025
Food Control
中科院一区JCR一区
Xuheng Li, Meilin Liu, Xuhui Xia, Xin Zeng, Dianhui Men, Yi Duan, Jingzhou Hou, Changjun Hou & Danqun Huo
计算机标签
深度学习 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
大米 大豆发酵制品 食品安全与风险评估 组学与高通量技术便携、快速的转基因生物（GMOs）检测有助于实现准确标识和精准监管。本文构建了一种通用且智能化的多重RPA-CRISPR/Cas12a-G4检测芯片平台，可同时检测CaMV35S和NOS两种常见转基因元件。该平台利用多对引物进行重组酶聚合酶扩增（RPA），实现双目标在单管内的同步扩增。随后，扩增产物通过流动分别进入含有CaMV35S crRNA和NOS crRNA的独立检测腔室，由Cas12a对两个靶标进行特异性切割。检测结果基于以下原理：溶液中未被切割的G-四链体（G4）具有类过氧化物酶活性，可催化ABTS²⁻显色，使阴性结果呈现深绿色。该多重RPA-CRISPR/Cas12a-G4比色检测平台在55分钟内即可实现对CaMV35S和NOS低至1 aM（阿摩尔）的检测限。为进一步提升灵敏度（超越肉眼判读能力），我们训练并开发了基于YOLOv5深度学习算法和灰度值分析的图像识别模型，并将其集成到智能手机应用程序中，以自动读取检测结果。在实际样本测试中，该方法对大米和酱油样品的比色检测准确率达100%，便携式芯片检测准确率达93.3%，表明本方法能够跨物种快速、低成本地检测各类GMO样品。总体而言，我们开发的这一高效、低成本、便携式的多重RPA-CRISPR/Cas12a-G4检测平台，结合深度学习算法，实现了GMO检测的自动化信号读取与现场快速筛查。
