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
-
机器学习支持的电子鼻与高光谱成像技术在食品安全评估中的进展：综述
查看原文
2025
Food Research International
中科院一区JCR一区
Mogos Girmatsion, Xiaoqian Tang, Qi Zhang & Peiwu Li
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 高光谱/多光谱光谱 时序传感器/物联网数据食品标签
食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法对食品污染和掺假等威胁的日益关注，促使了电子鼻（e-nose）和高光谱成像（HSI）等先进技术的采用，这些技术正越来越多地通过机器学习创新得到增强。本文旨在通过结合电子鼻、高光谱成像技术以及机器学习算法的见解，对食品安全进行全面综述。首先，简要讨论了电子鼻、高光谱成像和机器学习的基本原理，特别强调了人工神经网络（ANN）和深度学习（DL）。接着，综述探讨了机器学习如何提升电子鼻和高光谱成像的性能，随后深入探索了这些技术在检测食品危害方面的最新应用，包括药物残留、微生物污染物、农药残留、毒素和掺假物质。然后，重点指出了机器学习、电子鼻和高光谱成像在应用中遇到的主要限制，以及这些技术未来潜在发展的前景。在机器学习的辅助下，电子鼻和高光谱成像技术在食品安全评估中显示出巨大的应用潜力。尽管如此，它们的使用主要局限于实验室环境，限制了其在实际场景中的应用。此外，缺乏标准化协议也阻碍了它们在食品安全评估中的接受度和测试的可重复性。因此，需要进一步的研究来解决这些限制，并提高电子鼻和高光谱成像技术在实际应用中的有效性。最终，本文提供了对这两种技术的详细理解，突出了机器学习的关键作用，并展示了它们在食品安全评估中的创新应用见解。
-
利用拉曼光谱检测山茶油中多物种植物油掺假：化学计量学与深度学习方法的比较
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jiahua Wang, Jiangjin Qian, Mengting Xu, Jianyu Ding, Zhiheng Yue, Yanpeng Zhang,Huang Dai, Xiaodan Liu & Fuwei Pi
计算机标签
机器学习/统计学习 深度学习 卷积神经网络 循环神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
植物油 品质、结构与理化性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸油脂掺假是高附加值天然油脂生产领域面临的全球性难题。拉曼光谱结合数学建模可用于山茶油的掺假检测。本研究从统计学角度对比了传统化学计量学方法与深度学习方法在山茶油掺假鉴别及定量分析中的优势，结果表明二者对不同掺假比例山茶油的鉴别效果无显著差异。纯山茶油与掺假山茶油的整体识别准确率可达100%，但不同掺假比例的山茶油样本之间存在错分情况。在掺假比例定量预测方面，深度学习模型的性能优于化学计量学方法。最优卷积长短期记忆模型的决定系数达0.999，预测均方根误差为0.9%，相对分析误差为31.5。本研究构建的深度学习分类器与预测模型具备良好的适用性和可靠性，可为山茶油掺假检测提供一种快速、精准的检测方法。
-
推进可持续食品包装：整合机器学习、深度学习和人工智能
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Jyoti, Atul K. Gupta, Ashok Kumar & Bhuvnesh Kumar
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 缺陷/异物检测与定位 过程控制与实时优化 高光谱/多光谱光谱食品标签
食品安全与风险评估 智能/指示型包装 包装系统中的监测与标签应用 循环经济与绿色供应链 显微与成像技术 光谱/色谱/质谱等分析方法背景：人工智能（AI）在食品包装领域的应用正通过突破性技术改变食品行业，这些技术旨在提高食品安全、质量和可持续性。越来越多的人工智能技术，包括机器学习（ML）和深度学习（DL），正被整合到包装策略中。
范围与方法：本文深入概述了智能、活性和智能包装系统的发展，重点关注基于人工智能的技术，如机器学习（ML）和深度学习（DL）。此外，还讨论了高光谱成像（HSI）和机器人技术等新型智能技术，以确定它们在优化包装流程中的应用。本文全面审视了人工智能在食品包装中的各种应用，包括保质期预测、质量评估和缺陷检测。此外，还存在数据异质性、模型能力和可扩展性等挑战，这些挑战凸显了建立稳健的人工智能框架以确保成功部署的必要性。总体而言，食品包装行业有能力利用人工智能提高生产力、改善食品安全并减少食品浪费。
主要发现与结论：人工智能在食品包装中的应用带来了显著益处，包括提高生产力、改善食品安全和减少浪费。要充分利用这些技术，必须解决数据和模型性能方面的难题。未来研究应优先开发全自动检测解决方案和实时监控系统，以显著提升食品包装的可持续性和真实性。 -
字节与体验：消费者对可溯源食品借助人工智能缓解食源性风险效能的认知研究
查看原文
2025
Current Research in Food Science
中科院一区JCR一区
ChengXian Yang, Lauri Baker, Tracy Irani, Ricky Telg, James Bunch & Jonathan Watson
计算机标签
机器学习/统计学习 深度学习食品标签
食品安全与风险评估 消费者偏好与接受度 问卷设计与实施本研究调查了消费者对在食品溯源系统中采用人工智能（AI）的态度和意愿，这是一项旨在提高食品安全和透明度的新兴技术。该研究通过对1013名美国消费者进行在线调查收集数据，并应用结构方程模型（SEM）来考察影响消费者接受度的因素。结果表明，态度和感知行为控制与接受人工智能辅助食品溯源的决策呈正相关，对科学的信任、食品安全担忧、对食品技术的恐惧以及风险信息寻求行为也是重要因素。该模型解释了80.2%的意愿方差和18.0%的态度方差。感知行为控制对意愿的影响强于态度，这表明那些认为自己能控制食物选择的消费者更有可能支持人工智能增强型溯源。此外，对科学机构的信任成为接受度的关键预测因素，强调了透明且有科学依据的沟通策略的重要性。该研究还强调，对食源性疾病的担忧以及积极的风险信息寻求行为与对人工智能辅助溯源的态度呈正相关。相比之下，食品技术恐惧症与接受度呈负相关，这表明需要有针对性的教育活动来减少怀疑态度。这些发现为政策制定者、食品行业利益相关者和科学传播者设计有效策略以增强消费者对人工智能驱动的食品安全举措的信心提供了宝贵见解。通过解决消费者的担忧并培养信任，人工智能辅助溯源可以更成功地融入食品系统，最终降低食源性疾病风险并改善公众健康。
-
一种基于Transformer框架与生成式光谱增强的透明质酸发酵过程在线监测方法
查看原文
2025
Carbohydrate Polymers
中科院一区JCR一区
Weilu Tian, Lixuan Zang, Yunyi Li, Cheng Peng, Jinhua Zhang, Huarong Shao, Ruiqing Xian, Ru Sun, Fei Liu, Haining Tan & Peixue Ling
计算机标签
深度学习 序列到序列/编码-解码 生成对抗网络 定量预测/回归分析 过程控制与实时优化 红外/拉曼光谱数据 合成/仿真数据为主食品标签
碳水化合物配料 过程监测与在线检测 其他品质相关性质 光谱/色谱/质谱等分析方法 发酵工艺与动力学 碳水化合物与糖类在生物发酵生产透明质酸的过程中，对其分子量和浓度等关键质量属性进行准确、实时的在线监测对保障产品质量至关重要。本研究提出了一种创新的在线监测框架，以解决近红外光谱建模中面临的两个核心挑战：高质量标记样本稀缺以及发酵过程的非线性和动态复杂性。该框架集成了数据增强和深度学习技术。具体而言，采用具有梯度惩罚的Wasserstein生成对抗网络（WGAN-GP）生成高保真度的合成光谱数据，显著扩充了校准数据集并增强了其多样性，从而提升了模型的鲁棒性和对批次效应的适应性。同时，针对传统线性模型（如偏最小二乘回归，PLSR）难以捕捉复杂非线性关系的局限性，以及常规深度学习模型（如1D-CNN、LSTM）在捕获长程依赖和全局特征方面的不足，本研究开发了一种改进的Transformer模型，利用其多头自注意力机制高效地从光谱中提取关键特征。实验结果表明，该集成框架在独立测试集上超越了传统的PLSR及其变量选择变体，以及常用的1D-CNN和LSTM模型，在预测准确性和泛化能力方面均表现出显著优势。这项工作为透明质酸生产提供了一种强大的智能质量监控解决方案，并为生物发酵过程的智能化推进做出了贡献。
