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 2456 条结果
-
低温真空油炸对扇贝品质的影响及基于机器学习的品质预测模型构建
查看原文
2026
Food Control
中科院一区JCR一区
Haiyou Dong, Songyi Lin, Xiuping Dong, Bo Liu, Hongyan Wang, & Simin Zhang
计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据食品标签
复合/即食/餐饮食品 氧化、褐变等化学变化 特征风味 光谱/色谱/质谱等分析方法 常规理化指标测定 其他植物化学物质高温油炸会导致水产食品营养损失、品质下降和氧化，而低温真空油炸可提供更温和的替代方式。本研究比较了真空油炸、深度油炸和空气炸制对扇贝闭壳肌品质的影响，并进一步构建机器学习模型预测真空油炸扇贝贮藏过程中的品质变化。在相同含水量条件下，真空油炸组蛋白质含量提高、脂肪含量降低，脂质和蛋白氧化水平也低于其他油炸处理。研究还利用 GC-IMS、电子鼻和感官评价分析挥发物与气味变化。随后以 TVB-N 为输出构建了两个基于多层感知机的品质预测模型：模型 1 以贮藏温度和时间为输入，模型 2 以电子鼻传感器响应为输入。各贮藏点数据经重复测定并划分训练和验证组。模型 1 的 R2 为 0.9975，MAPE 为 2.8327%，MSE 为 0.1950，MAE 为 0.2817；模型 2 的 R2 为 0.9939，MAPE 为 5.3535%，MSE 为 0.5064，预测误差较低。结果支持真空油炸作为保持扇贝品质的加工方式，并表明贮藏变量和电子鼻信号可用于预测扇贝鲜度。
-
人工智能在发现具有增强生物屏障通透性的食品来源肽中的应用：应用与挑战
查看原文
2026
Trends in Food Science & Technology
中科院一区JCR一区
Jiulong An, Shumeng Liu, Wanlu Liu, Hanlin Zhang, Jinghan Hu, Chengcheng Zhang, Janar Jenis, Xinqi Liu, & He Li
计算机标签
其他深度学习结构 设计/生成与推荐 合成/仿真数据为主 公开数据集食品标签
抗氧化/抗炎等功能 其他生物活性与健康效应 体外模型 蛋白质与氨基酸背景：来源于食品的生物活性肽具有多种健康益处，包括降压、抗氧化和神经保护作用。然而，其口服生物利用度因肠上皮屏障的限制而严重受限，对于神经活性肽，还受血脑屏障（BBB）的影响。传统的经验性体外、离体和体内筛选方法耗时、成本高且存在伦理问题。这些方法也难以系统评估关键理化特性，如分子量、疏水性、电荷和序列特征，对屏障渗透的影响。范围与方法：本综述讨论了识别能够完整穿越肠屏障或血脑屏障的来源于食品的肽所面临的挑战。它系统地考察了人工智能（AI）技术的新兴作用，包括机器学习（ML）、深度神经网络和蛋白质语言模型。这种方法涉及从肽数据库收集数据、使用分子描述符或序列嵌入进行特征提取、模型构建以及优化虚拟筛选策略，以实现快速、低成本、高通量的肽识别。主要发现：与传统方法相比，基于AI的方法显著加快了筛选速度，降低了实验成本，并增强了多个结构和理化因素的整合能力。当前模型显示出有前景的预测性能，但在数据质量和数量、模型泛化能力以及预测命中实验验证方面仍面临限制。总体而言，人工智能构成了一种强大、快速发展的技术，用于发现和开发具有增强屏障渗透性和健康特性的食源性生物活性肽。
-
基于傅里叶变换近红外光谱结合机器学习的沙门氏菌、大肠杆菌 O157:H7 与单核细胞增生李斯特氏菌分类检测
查看原文
2026
Food Research International
中科院一区JCR一区
Samet Ozturk, Lihan Huang, Cheng-An Hwang & Shiowshuh Sheen
计算机标签
偏最小二乘法 支持向量机 随机森林 智能手机/其他 卷积神经网络 特征工程与选择策略 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
微生物安全 光谱/色谱/质谱等分析方法 菌种筛选与特性评价本研究旨在探究傅里叶变换近红外（FT-NIR）光谱结合机器学习（ML）算法在精准识别三种食源性病原体方面的潜在应用，这些病原体包括沙门氏菌属、单核细胞增生李斯特氏菌以及大肠杆菌O157:H7。每种病原菌（各选取两株菌株）均单独培养，并通过乙醇-去离子（DI）水溶液依次洗涤的方式进行纯化。将各纯化培养物转移至铺有定制切割滤纸的96孔细胞板的各孔中，随后在50℃、20千帕条件下真空干燥1小时。利用与傅里叶变换近红外过程分析仪相连的漫反射探头，采集脱水细菌细胞在1000–2400纳米波长范围内的吸收光谱。为确定最优分类流程，采用十种不同预处理方法、三种特征选择方法以及多种监督算法对采集的光谱进行分析，其中监督算法包括偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）和卷积神经网络（CNN）。此外，通过欠采样与提升步骤进一步提升所构建机器学习流程的识别准确率。结果表明，支持向量机、随机森林、人工神经网络和卷积神经网络的性能优于偏最小二乘判别分析，其分类准确率均超过90%。研究结果显示，采用萨维茨基-戈莱一阶导数（SG1）滤波对全光谱进行预处理后再结合支持向量机分类，可获得最高准确率，该机器学习流程的总体准确率达95.3%。本研究凸显了傅里叶变换近红外光谱结合机器学习算法在加工环境中对脱水表面食源性病原体进行检测与识别的强大能力。
-
人工智能驱动的食品系统个性化：从精准营养到气候适应型供应链
查看原文
2026
npj Science of Food
中科院一区JCR一区
Li Zheng, Anhui Ren, Yue San, Yuejiao Xing, Hongjuan Teng, Zhongjiang Wang, & Joe M. Regenstein
计算机标签
机器学习/统计学习 设计/生成与推荐 多模态/融合数据 公开数据集食品标签
营养与生物功能 循环经济与绿色供应链 标准/法规/数据库分析传统的大规模生产和标准化干预无法应对由个体代谢差异、气候变化和供应链中断带来的风险。本文回顾了人工智能（AI）技术如何通过跨尺度数据整合和算法优化，协同增强精准营养干预和气候弹性供应链的韧性，打破了传统上将营养科学与供应链管理分离的碎片化分析方法。同时，本文推动建立跨部门治理机制，以促进人工智能技术进步与环境可持续性和粮食安全之间的良性循环，从而积极影响食品系统的可持续和安全发展。以Web of Science、Scopus和PubMed作为主要数据库，重点检索人工智能在精准营养或气候韧性供应链中的应用。优先考虑同时涉及"数据整合"、"算法优化"和"应用效果评估"的研究。在精准营养方面，人工智能利用多组学和实时数据制定个性化膳食（例如预测血糖）。在供应链方面，人工智能驱动的气候建模、动态物流和循环技术应减少浪费并提高韧性。新加坡的垂直农业和IBM的食品信任项目等案例显示了人工智能的潜力，但数据孤岛、算法偏差和技术空白阻碍了其应用。未来，需要开发可解释的人工智能工具，并建立跨学科的数据共享平台。通过使用政策协同方法，应制定和推广激励措施，以优化营养与气候之间的关系，从而推动食品系统朝着高度个性化和适应性方向发展。
-
食品发酵中机器学习方法在分类、动态预测与代理建模方面的关键评估
查看原文
2026
Food Research International
中科院一区JCR一区
Núria Campo-Manzanares, Artai R. Moimenta & Eva Balsa-Canto
计算机标签
支持向量机 梯度提升决策树 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 模拟与数字孪生 时序传感器/物联网数据 组学数据 多模态/融合数据食品标签
酒精饮料 过程优化与控制策略 其他过程控制与数字化研究 发酵工艺与动力学 代谢组学机器学习（ML）凭借其从海量数据中提取有效信息的能力，在食品科学领域的应用日益广泛。然而，相较于传统的基于机理的知识驱动模型，机器学习的优势尚不明确，尤其是在食品生物加工过程中常见的数据有限条件下。本研究以葡萄酒发酵为实际实验案例，通过批判性评估监督式机器学习技术（具体包括决策树、支持向量机和神经网络），并与知识驱动模型（KB）进行对比，旨在弥补这一研究空白。
我们在三项任务中对这些方法进行了评估。任务1和任务2利用发酵时间序列数据，（1）基于代谢物谱对工业酵母菌株进行分类；（2）预测发酵动态变化。任务3则聚焦于利用机器学习技术，对机理模型生成的模拟数据构建快速代理模型。
在酵母菌株分类任务中，使用所有可用代谢物数据时，我们取得了74%的最高测试准确率。在发酵动态预测方面，知识驱动模型表现优于机器学习模型，其平均归一化均方根误差约为6%。而在纳入更多数据后，机器学习模型的预测误差约为7.6%。最后，仅基于模拟机理数据训练的深度学习代理模型，在测试集上展现出极低的误差（约0.6%），优于知识驱动模型，同时将仿真时间缩短至原来的1/30。
研究结果凸显了实验设计的重要性：尽管机器学习模型在大规模多样化数据集训练下表现出色，但在数据有限或预测训练条件之外的结果时，往往表现不佳。相比之下，机理模型具有更好的泛化能力和生物学可解释性。两种方法的互补性表明，将二者结合可使复杂发酵系统的设计与控制更具稳健性且更贴合数据规律。基于这些互补优势，我们开发并验证了一种混合模型，该模型将知识驱动预测与残差神经网络相结合以修正系统误差，使整体归一化均方根误差从6%降至5%，并提升了大多数关键化合物的预测效果。
