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
-
用于培养肉的工程化支架-细胞相互作用：机制、材料和新兴的人工智能驱动策略
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Linzi Li, Yijun Zhang, Zipeng Xu, Shuai Yan, Nuo Yan, Cong Zhao, Yabin Niu, Shijie Ding, Guanghong Zhou, Lin Chen & Xianchao Feng
计算机标签
机器学习/统计学习 深度学习 设计/生成与推荐食品标签
细胞培养肉 3D 打印与结构构筑 微观结构与成像背景：开发能够模拟天然肌肉组织结构和功能的生物材料支架，是构建结构化培养肉的关键。细胞与支架之间的相互作用通过物理、化学和生物学机制调控细胞命运，进而决定培养肉的质量和生产效率。然而，其调控因素尚未得到系统阐明，这限制了支架在培养肉规模化生产中的应用。
范围与方法：本综述探讨了细胞-支架相互作用的潜在机制，特别关注支架的结构特征（孔径、纤维取向、几何构型）、力学性能（弹性模量、剪切响应、动态力学刺激）和表面特性（粗糙度、电荷、亲水性、生物活性涂层）如何协同调控细胞黏附、增殖、分化和组织形成。在此基础上，我们评估了采用合成生物学驱动的可食用支架以及将支架与悬浮培养系统整合用于规模化生产的可行性和局限性。我们进一步强调建立一个由人工智能驱动的食品级支架设计框架，该框架涵盖材料选择、制造工艺和生物反应器规模的培养，旨在实现培养肉的可扩展、经济高效且安全的生产。
主要发现与结论：本综述强调，支架优化（包括结构、力学和表面修饰）在促进组织成熟和肌源性分化方面起着关键作用。它进一步提出，将人工智能驱动的支架设计与悬浮培养策略相结合，是推动培养肉从实验室原型走向工业化生产的关键途径。此外，综述强调支架开发应采用“设计合规”方法，优先选择具有既定食品级地位的材料，使用安全的交联剂，并整合特征明确的生物活性基序。最后，我们倡导建立一个共享的食品级支架基准框架，以在食品安全、成本效益和法规合规的约束下，实现高质量培养肉的规模化生产。 -
季节性变化驱动浓香型大曲核心微生物的演变：一项整合多组学分析与深度学习的研究
查看原文
2025
Food Research International
中科院一区JCR一区
Ping Huang, Shiyuan Ma, Xiawei Yi, Rongqing Zhou & Chongde Wu
计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析食品标签
发酵食品及酱腌制品 保藏与贮藏 微生物与发酵实验核心微生物在决定大曲（一种发酵剂）质量方面起着至关重要的作用，其识别和调控对于进一步控制大曲和白酒的质量至关重要。因此，本研究揭示了季节和压制模式变化下大曲的风味动态和微生物演替，并基于此，通过整合高通量测序和深度学习揭示了核心微生物和群落组装。对120个大曲样品的理化性质和风味化合物分析表明，春季生产的大曲表现出更高的酶活性、酯类和吡嗪类化合物的多样性和丰度。此外，硬脂酸甲酯和2-十一酮被鉴定为区分不同季节生产的大曲的差异风味化合物。优势细菌均与耐热微生物和酸度相关微生物（如芽孢杆菌属、高温放线菌属、葡萄球菌属和魏斯氏菌属）有关，而真菌在所有季节中主要由嗜热子囊菌属和嗜热丝孢菌属组成。通过对微生物、理化性质和风味化合物之间相互作用的调查，并借助数据驱动的关键物种识别（DKI）框架进行验证，揭示了不同季节生产的大曲的核心微生物。地霉属和棒孢酵母属被鉴定为不依赖于季节变化和压制模式的核心微生物。进一步基于βNTI和RCbray的分析被用于研究大曲的群落组装过程，结果表明在季节变化过程中，随机漂变始终主导着群落组装。这些发现可能为优化不同季节浓香型大曲的生产，并进而提升大曲质量提供科学指导。
-
机器学习驱动的多组学在食品微生物学和更智能食品安全中的应用
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Sherry Bansal, Catarina Z. Rodriguez, Katherine A. Thompson-Witrick, Yu Wang, Diana H. Taft & Boce Zhang
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
微生物安全 组学与高通量技术高通量组学技术的创新不仅拓展了单个组学平台的能力，还推动了向多组学整合的转变，使人们能在食品安全背景下更全面地理解微生物动态。通过整合来自不同组学层面的数据，研究人员可以阐明微生物与食物相互作用的复杂生物途径，揭示食源性危害背后的机制，并识别预测性生物标志物。在各种机器学习（ML）算法的助力下，这些见解为更智能的食品安全干预措施的开发提供了支持。然而，与数据质量、标准化和整合工具相关的挑战仍限制着多组学方法的全部潜力。尽管存在这些障碍，持续的进步正稳步提高多组学整合的可行性和可及性。这种进步体现在越来越多的食品安全研究中，这些研究利用新颖创新的机器学习模型来提取可付诸实践的生物学见解。本综述探讨了多组学与机器学习的协同融合，重点介绍了其当前的应用，如模式检测、可追溯性、抗菌素耐药性分析，并强调了其在未来食品安全和微生物学领域的变革潜力。
-
猪肉馅饼中鸡肉掺假的分类与识别：基于多维质量谱和机器学习的方法
查看原文
2025
Food Control
中科院一区JCR一区
Hui Lu, Cong Yao, Lin An, Aiying Song, Feng Ling, Qiliang Huang, Yuling Cai, Yunguo Liu & Dacheng Kang
计算机标签
偏最小二乘法 支持向量机 深度学习食品标签
畜肉 禽肉 品质、结构与理化性质 理化与结构表征 风味组学 常量营养素（宏量）本研究旨在利用机器学习技术识别含有不同水平鸡肉掺假的猪肉馅饼样本。构建了一个多维检测系统，使用了300个样本，包含0%到100%的鸡肉掺假梯度。分析了43个参数，包括水分活度、颜色、质地特性、游离氨基酸和电子鼻传感器响应。系统分析了掺假引起的猪肉馅饼的物理和化学变化。基于质量指标和掺假率，开发并评估了偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）和反向传播人工神经网络（BP-ANN）等机器学习模型。BP-ANN模型取得了99.52%的训练准确率，独立测试集准确率达到98.00%。其性能显著优于SVM（95.56%）和PLS-DA（86.75%）。SHAP分析确定苏氨酸含量、色度参数和组氨酸含量为主要判别指标。筛选出的六个特征与电子鼻传感器阵列相结合，共同增强了模型的稳健性。BP-ANN算法被集成到Streamlit平台，开发了一个用于预测掺假率的实时在线工具。
-
食品安全——向人工智能（AI）运作模式的转变
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Igori Balta, Joanne Lemon, Cosmin Alin Popescu, David McCleery, Tiberiu Iancu, Ioan Pet, Lavinia Stef, Alastair Douglas & Nicolae Corcionivoschi
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 标准与法规对比分析背景：人工智能（AI）的整合是全球食品安全范式的革命性进步，尤其体现在从历史上的被动应对措施向预测性和预防性方法的转变上。过去，有关食品安全的法律主要是为了应对紧急情况，防止食品掺假和明显污染。然而，近年来人工智能的发展使得病原体检测、风险评估和供应链监控能够以更快、更准确、更高效的方式进行。
范围与方法：本批判性综述分析了重要的历史里程碑，从古代的做法到中世纪的法规，再到工业时代的变革性发现，最终到当代的技术整合。
主要发现与结论：人工智能确实可以成为提高食品安全监管效率的宝贵工具，而且这是公共部门机构对人工智能的接受度不断提高这一历史进程中的自然发展。卷积神经网络、高光谱成像和基于区块链的可追溯性展示了人工智能如何通过早期检测和预防问题来加强食品安全管理。本综述强调了仍然存在的重大挑战，包括数据可用性、算法的不透明性（即“黑箱”问题）、高昂的实施成本以及对专业技能的要求。我们概述了从被动的、由历史驱动的食品安全法规向主动的、由人工智能驱动的预测和预防策略的发展过程，并探讨了相关的优势、局限性、机遇和威胁。最后，本综述为政策制定者、食品行业从业者和学术界人士提供了采用并有效应用人工智能技术以加强食品安全所需的知识和指导。
