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
-
人工智能用于预测各类食品保质期：最新进展与持续挑战
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Mahdi Rashvand, Yuqiao Ren, Da-Wen Sun, Julia Senge, Christian Krupitzer, Tobi Fadiji, Marta Sanzo Miró, Alex Shenfield, Nicholas J. Watson & Hongwei Zhang
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 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/物联网数据食品标签
保藏与贮藏 货架期预测与品质劣变动力学 光谱/色谱/质谱等分析方法背景：准确估算保质期对于维持食品安全、减少浪费和提高供应链效率至关重要。传统方法（如微生物和化学分析以及感官评价）可提供可重复的结果，但耗时耗力，且可能不适用于实时或高通量应用。人工智能与先进分析技术的集成为在动态存储环境中快速、数据驱动地估算保质期提供了一种合适的替代方案。
方法与范围：本综述评估了基于人工智能的技术（如机器学习、深度学习和混合方法）在食品保质期预测中的应用。本研究重点阐述了如何利用人工智能分析来自高光谱成像、光谱学、机器视觉和电子传感器等无损检测方法的数据，以提升预测性能。综述还描述了基于人工智能的技术如何通过确保优化的食品配送和减少浪费，来帮助管理食品质量、减少经济损失并增强可持续性。
主要发现与结论：人工智能技术通过整合影响食品腐败的微生物、生化和环境因素等多源复杂信息，克服了传统技术的局限。肉类、乳制品、果蔬和饮料的案例研究证明了人工智能技术在实时监测和质量评估方面的优越性。同时，本文也指出了数据可用性、模型普适性和计算成本等限制其广泛应用的局限性。未来的应用需要考虑将云平台和物联网平台集成，以实现实时决策和自适应建模。人工智能可以成为食品行业的一种范式转变工具，为食品安全、减少浪费和可持续性提供智能化、可扩展且低成本的解决方案。 -
人工智能增强的生物利用度研究：提升食品质量
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Huiyuan Cheng, Li Liu, Hongyan Zhang, Yang Yu, Yu Bai, Shang Wang, Mingliu Yang, Wenxu Lu, Jie Cheng & Yan Jin
计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析食品标签
基本营养价值评价 维生素 矿物质与微量元素 蛋白质与氨基酸 碳水化合物与糖类背景：生物利用度指食品中活性成分被人体吸收和利用的程度，是决定食品健康益处的关键因素。各个关键方面之间复杂的相互作用，尤其是涉及宿主状况和成分基质效应的大量、复杂数据集，是生物利用度研究的障碍。这些困难影响着对肠道吸收效率、溶解度和化学稳定性的研究。
范围与方法：人工智能（AI）是克服这些挑战的有效工具。通过分析大量数据集，AI模型可用于分析和预测不同加工条件及食品基质组成下食品成分的生物利用度，并揭示这些参数的影响。本综述旨在为基于AI的生物利用度研究提供理论基础，描述适用方法，概述AI在食品科学和营养学创新中的未来研究方向，并探讨现存的困难。
主要发现与结论：在蛋白质、肽、碳水化合物和微量营养素的生物利用度研究中应用AI具有变革性潜力。基于AI的模型可同时用于推导结构、优化辅料成分、设计分配系统、提供研究指导并减少实验 trial。然而，这些模型的应用受到以下因素的阻碍：（1）缺乏能准确反映生物复杂性的高质量标准化数据集，这可能导致模型过拟合和偏差；（2）“黑箱”算法的机械可解释性有限，阻碍了监管审批和科学验证；（3）计算预测与体外和体内实验结果之间存在跨学科验证挑战。 -
应用深度学习算法，非侵入性估算不同颜色的太平洋鲍鱼足部肌肉类胡萝卜素含量
查看原文
2025
Food Chemistry
中科院一区JCR一区
Guijia Liu, Xiaoyong Wu, Yiming Wei, Tian Xu, Dongchang Li, Xuan Luo, Weiwei You & Caihuan Ke
计算机标签
深度学习 循环神经网络 定量预测/回归分析 可见光/RGB/视频数据食品标签
软体与贝类 品质、结构与理化性质 过程监测与在线检测 花青素与类胡萝卜素类胡萝卜素是 影响水生生物颜色和健康的重要色素，尤其是在太平洋鲍鱼（Haliotis discus hannai）等物种中。本研究通过靶向代谢组学鉴定鲍鱼鱼足部肌肉中的主要类胡 萝卜素。通过差异代谢物分析，我们选择了符合以下标准的代谢物：p值<0.05，预测重要性（VIP）得分≥1，折叠变化（FC）≥2或FC≤0.5。结果显示，玉米黄素在所有足部肌肉颜色中含量最高， p值最高为0.0079。因此，我们确认玉米黄质是主要的类胡萝卜素，对足部肌肉的独特颜色有贡献。随后，我们使用深度学习模型，基于CIELAB色彩空间中的颜色测量预测类胡萝卜素含量，该空间由国际闪电控制委员会（CIE）定义，涵盖三个维度：明度（L）、红绿（a）和黄蓝（b）。对344个鲍鱼样本的性能评估显示，长短期记忆（LSTM）模型提供了最佳的预测结果，均方根误差（RMSE）为6.692，确定系数为R。2）的0.415。此外，我们还开发了基于颜色的类胡萝卜素估计套件（CCES）。该软件采用用户友好的图形界面，允许用户输入比色数据、训练模型并预测类胡萝卜素含量。与传统方法相比，CCES提供无损、快速的类胡萝卜素估算，效率提升450倍，成本降低47至77倍。该方法为水产养殖繁育和质量控制提供了高效且可扩展的工具，应用范围不仅限于鲍鱼，还延伸至其他水生和陆生物种。
-
普洱晒青绿茶中微小异物的检测：一种基于深度学习的增强型YOLOv8神经网络模型
查看原文
2025
Food Control
中科院一区JCR一区
Zejun Wang, Shihao Zhang, Yaping Chen, Yuxing Xia, Houqiao Wang, Ronghua Jin, Chun Wang, Zongpei Fan, Yuefei Wang & Baijuan Wang
计算机标签
深度学习 缺陷/异物检测与定位 可见光/RGB/视频数据食品标签
茶/茶饮料 食品安全与风险评估 显微与成像技术为高效、准确地检测普洱晒青茶加工过程中混入的微小异物，保障食品质量与消费者安全，本研究创新性地提出了一种基于深度学习的增强型YOLOv8神经网络模型。针对传统YOLOv8网络存在的不足，为进一步提升模型对异物目标的识别能力、增强特征提取的深度与广度，并更好地捕捉图像不同区域之间的上下文关联，本研究采用了Shape-IoU优化的损失函数，将网络部分结构替换为感受野注意力卷积（Receptive-Field Attention Convolution）技术，并嵌入双重注意力网络（Double Attention Networks）以优化整体架构。实验结果表明，所提出的增强型YOLOv8神经网络模型在普洱晒青茶异物检测任务中达到了98.35%的精确率，较原始YOLOv8模型提升了3.93%。与YOLOv7、YOLOv5、Faster R-CNN、CornerNet和SSD等主流检测模型相比，该增强模型的平均精度均值（mAP）分别显著提高了4.48%、6.66%、13.63%、13.20%和9.84%。该增强型YOLOv8网络为普洱晒青茶中微小异物的检测提供了一种切实可行的研究方法和重要参考，对茶叶生产企业及食品安全监管部门具有显著应用价值。此外，本研究还为普洱茶乃至更广泛的食品工业中的异物检测提供了更加全面、高效的解决方案，为食品安全与质量控制的现代化和智能化奠定了坚实基础。
-
基于深度学习的猪悬浮培养细胞成脂分化程度评估方法
查看原文
2025
Food Research International
中科院一区JCR一区
Liyuan Yang, Zhongyuan Wu, Haozhe Zhu, Shijie Ding & Guanghong Zhou
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 可见光/RGB/视频数据食品标签
细胞培养肉 组学与高通量技术 显微与成像技术 脂质与脂肪酸脂肪对肉及肉制品的品质具有非常重要的作用。基于细胞培养的脂肪细胞分化是生产细胞培养肉的关键步骤，传统上依赖于通过荧光染色图像分析或分子生物学实验进行定量评估。然而，这些方法耗时、费力，且容易受到观察者主观感知的影响。因此，我们需要一种更快、更直观、更准确的评估技术。通过将高通量技术与深度学习相结合，我们分析了在猪悬浮脂肪细胞分化过程中捕获的明场图像。基于我们现有的细胞分化方案，我们快速收集了高通量明场图像，并开发了一个深度学习模型来评估这些图像中的成脂分化程度。通过单摇瓶和多摇瓶的相互验证，该模型取得了良好的结果（RMSE = 5.90，R2 = 0.8321）。它可以通过在96孔板中接种12个孔来确定样品的成脂分化程度，从而准确区分具有不同分化水平的样品。该方法使我们建立了一个整合高通量筛选和深度学习的应用，并帮助我们在快速筛选食用脂肪酸和蛋白质时，识别了花生四烯酸（100 µM）潜在的促进成脂分化能力。
