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
-
鲜味肽与鲜味受体T1R1/T1R3-VFT相互作用的计算研究
查看原文
2025
Food Science and Human Wellness
中科院一区JCR一区
Hengli Meng, Zhiyong Cui, Yingqiu Li, Yanyang Yu, Shui Jiang & Yuan Liu
计算机标签
深度学习 模拟与数字孪生 合成/仿真数据为主食品标签
动力学建模 蛋白质与氨基酸配体-受体相互作用的研究对食品风味感知领域具有重要意义。本研究采用计算机模拟技术，探究鲜味肽与鲜味受体T1R1/T1R3捕蝇草结构域（VFT）的相互作用机制。通过分子建模、分子对接及分子动力学模拟，分析了鲜味肽与T1R1/T1R3捕蝇草结构域之间的结合位点、构象变化及结合自由能。利用AlphaFold2构建的受体模型合理性最优。分子对接结果表明，鲜味肽主要依靠氢键作用与T1R1捕蝇草结构域结合，关键结合残基包括苏氨酸149、精氨酸151和天冬氨酸108。鲜味肽的结合可形成稳定性更高的复合体系，带正电荷氨基酸对整体结合自由能具有正向贡献。本研究为深入阐释鲜味物质与鲜味受体的相互作用机制提供了理论依据。
-
鲍氏鲍指纹识别：结合机器学习的近红外光谱分析，为储存期鉴定提供新的工作流程
查看原文
2025
Food Microbiology
中科院一区JCR一区
Guangmei Deng, Honggao Liu, Jieqing Li, & Yuanzhong Wang
计算机标签
深度学习 偏最小二乘法 其他深度学习结构 分类/鉴别/等级评定 红外/拉曼光谱数据 组学数据食品标签
食用菌菇 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归 其他植物化学物质食品的真伪和食品安全问题已经对整个社区的繁荣造成了威胁。将松露菌混杂售卖的做法危及了消费者的安全。在此，通过高效液相色谱（HPLC）与傅里叶变换近红外（FT-NIR）光谱技术，对储存了 0 年、1 年和 2 年的 831 份贝托鲁斯·班尼古安菌进行了核苷含量和光谱的综合分析。鸟苷和腺苷随着储存时间的延长而增加，尿苷则呈下降趋势。采用多种常规机器学习和深度学习模型来识别贝托鲁斯·班尼古安菌的储存时间，其中卷积神经网络（CNN）和反向传播神经网络（BPNN）模型在区分不同储存期方面具有更出色的识别性能。数据驱动的软独立类比模型（DD-SIMCA）模型能够完全区分新样本和旧样本，而偏最小二乘回归（PLSR）能够准确预测这三种核苷化合物，其最佳 R2 值为 0.918，优秀的残差预测偏差（RPD）值为 3.492。这项研究为市场提供了一种成本低廉且易于使用的解决方案，能够实时确定鲍露斯·班尼乌甘菌在供应链中的储存期限。
-
计算机视觉技术在发酵食品中的应用：综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Zheli Song, Yuanbo Li, Hongyuan Zhao, Xiaogang Liu, Hailong Ding, Qiansu Ding, Dongna Ma, Shuangping Liu & Jian Mao
计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据 多模态/融合数据食品标签
其他酱腌/发酵食品 品质、结构与理化性质 过程控制与数字化 过程监测与在线检测背景：发酵食品是通过微生物发酵加工而成的产品，以其独特的风味受到全球消费者的广泛喜爱。随着工业技术的进步和消费者需求的增长，现代技术正逐步融入发酵食品的生产和质量控制中，以提高生产效率和产品质量。在这些创新中，计算机视觉技术尤为突出。
研究范围与方法：本文概述了计算机视觉在发酵食品领域的应用，重点介绍了其在食品行业中的技术算法和应用。文章概述了计算机视觉技术在不同类型发酵食品中的具体用途，并讨论了所采用的相关技术。最后，本综述强调了自适应学习和多模态融合在解决当前计算机视觉用于发酵食品监测的局限性方面所具有的变革潜力。
主要发现与结论：计算机视觉技术的采用显著提高了发酵食品生产过程中质量控制流程的效率和准确性。通过非接触式实时监测，研究人员可以快速识别发酵过程中微生物及相关参数指标的动态变化，并评估其对食品质量的影响。这些技术不仅提高了发酵食品的生产效率，还加强了对产品风味和安全评估的控制。尽管在技术实施和数据分析方面仍存在挑战，但深度学习和图像处理技术的持续进步有望增加计算机视觉在发酵食品领域的影响力，推动行业可持续发展。 -
咸味增强型风味物质筛选的进展：从传统感官评价向智能高通量技术的转变
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Qinguo Quan, Kun Zhao, Zikang Xu, Yiyang Li, Yuhan Xie, Fengyu Li, Baoguo Sun & Dandan Pu
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 设计/生成与推荐食品标签
感官评价与方法学 钠/钾/镁等常量矿物质背景：气味诱导的咸味增强（OISE）能使减钠体系中的感知咸味增加20.00%-35.00%。然而，传统的筛选方法只能识别出不到120种增咸 odorants（SEO）（<120种），因为这些方法速度慢且容易受到品评员偏见的影响。
范围与方法：本综述批判性地审视了从传统感官评价到智能化、高通量SEO筛选的转变，评估了机器学习驱动的预测、多模态传感器融合和微流控平台，同时指出了关键的知识空白。
主要发现与结论：智能技术通过整合分子描述符与受体激活模式的深度学习架构，实现了10到100倍的成本降低。然而，数据集的异质性限制了其通用性，且目前尚无预测基质特异性SEO功效的框架。我们提出了一个涵盖分子、神经和应用层面的三级概念框架，该框架整合了计算对接、生物传感器验证和人工智能指导的配方设计。优先发展方向包括标准化数据库、可解释的人工智能算法，以及解决遗传和文化差异的个性化策略。这些创新将经验性筛选转变为机制性预测，使工业减钠在保持适口性的同时成为可能。 -
人工智能助力多维信息融合：食品质量与安全评估的数据收集、处理及建模
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Hengrui Zhang, Yuandong Lin, Shilin Cao, Jun-Hu Cheng & Xin-An Zeng
计算机标签
机器学习/统计学习 深度学习 多模态基础模型 特征工程与选择策略 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 多模态/融合数据食品标签
食品安全与风险评估 显微与成像技术 光谱/色谱/质谱等分析方法背景：随着全球食品供应链日益复杂，以及对高效无损评估方法的需求不断增加，食品质量与安全保障面临着重大挑战。新兴的多维数据融合技术正致力于解决这些挑战。在人工智能驱动下，机器学习（ML）和深度学习（DL）方法大幅提升了高维数据的处理效率。通过这些方法整合多模态数据源，能够实现对食品质量全面、快速且无损的监测。
范围与方法：本综述系统总结了通过多维数据融合技术在食品质量与安全检测方面的最新进展。全面考察了包括数据采集、处理和建模在内的整个工作流程。介绍了一维数据（如声音和气体传感器）、二维数据（如视觉成像）和三维数据（如高光谱成像和计算机断层扫描）的最先进采集方法。讨论了适用于各种数据类型和维度的常见数据处理技术与特征提取方法，并重点阐述了它们在异构数据整合中的作用。此外，还阐述了机器学习和深度学习方法在多维数据融合中的应用，着重分析了它们对提高食品质量监测系统的准确性、稳健性和可扩展性所产生的影响。同时，也探讨了一些代表性应用，如食品质量检测、污染监测和成分分析等。最后，探讨了多维数据融合技术在食品质量评估中面临的挑战及未来发展方向。
主要发现与结论：在先进的机器学习和深度学习方法的推动下，基于多模态数据融合的检测技术在食品质量评估方面展现出优于单模态方法的潜力。通过整合多个传感器的数据，为无损食品质量监测提供了高效、稳定且准确的解决方案，这与食品工业5.0不断增长的需求相契合。随着人工智能技术的持续进步，利用多维数据融合的检测解决方案有望成为智能食品质量评估的主流方法，为复杂的供应链提供更高的准确性和效率。
